上面是官方文档的说明.
numpy.argpartition(a, kth, axis=- 1, kind='introselect', order=None)
使用 kind 关键字指定的算法沿给定轴执行间接分区。 它以分区顺序沿给定轴返回与该索引数据具有相同形状的索引数组。
1.8.0 版中的新功能。
参数
类似数组
要排序的数组。
kthint 或整数序列
要分区的元素索引。
第 k 个元素将处于其最终排序位置,
所有较小的元素将被移动到它之前,
所有较大的元素将被移动到它之后。
分区中所有元素的顺序未定义。
如果提供了第 k 个序列,
它将一次将它们全部划分到它们的排序位置。
axisint 或 None,可选
排序的轴。 默认值为 -1(最后一个轴)。
如果没有,则使用扁平数组。
种类{'introselect'},可选
选择算法。 默认为“内选”
orderstr 或 str 列表,可选
当 a 是定义了字段的数组时,该参数指定先比较哪些字段,
第二个等。单个字段可以指定为字符串,
不需要指定所有字段,
但仍会使用未指定的字段,
在它们出现在 dtype 中的顺序,以打破联系。
返回
index_arrayndarray, int
沿指定轴对 a 进行分区的索引数组。
如果 a 是一维的,则 a[index_array] 产生一个分区的 a。
更一般地说, np.take_along_axis(a, index_array, axis=a)
总是产生分区的 a,
而不管维数如何。
虽然官方文档很短,但可以看出灵活运用非常复杂,
好在我正在读的论文只是简单的应用,下面是我的理解和一些简单的例子:
默认会从小到大"排序",此排序并非真正的排序,而是指定的元素索引落入正确的值时就停止排序.
例如:
test = np.array([5, 1, 2, 7, 3, 6, 4])
print(test[np.argpartition(test, 4)])
输出:
[3 4 2 1 5 6 7] #记为res
此时索引为4的位置,res[0:4]均小于等于res[4], res[4:]均大于等于res[4]
在传入多个参数时同理,
例如:
test = np.array([5, 1, 2, 7, 3, 6, 4])
print(test[np.argpartition(test, [3, 4])])
会得到:
[2 1 3 4 5 6 7]
这就是简单的应用,其他的高级用法和参数使用欢迎各位补充.