我有一个 1000 行 2 列的 numpy 数组:
[[ 0.76 1.28947368]
[ 0.7 0.97142857]
[ 0.7 1.48571429]
[ 0.68 1.11764706]
[ 0.68 1.23529412]
[ 0.68 1.41176471]
[ 0.68 1.41176471]
[ 0.68 1.44117647]
[ 0.66 0.78787879]
[ 0.66 1.03030303]
[ 0.66 1.09090909]
[ 0.66 1.15151515]
[ 0.66 1.15151515]
[ 0.66 1.21212121]
[ 0.66 1.24242424]]
很明显,该数组按第 0 列降序排序,按第 1 列升序排序。我想为该数组的每一行分配排名,以便重复的行(两行或更多行的两列中的值都是equal) 具有相同的排名并插入排名作为第 2 列。
预期输出:
[[0.76 1.28947368 1]
[ 0.7 0.97142857 2]
[ 0.7 1.48571429 3]
[ 0.68 1.11764706 4]
[ 0.68 1.23529412 5]
[ 0.68 1.41176471 6]
[ 0.68 1.41176471 6] # as this row is duplicate of row above it
[ 0.68 1.44117647 7]
[ 0.66 0.78787879 8]
[ 0.66 1.03030303 9]
[ 0.66 1.09090909 10]
[ 0.66 1.15151515 11]
[ 0.66 1.15151515 11] # as this row is duplicate of row above it
[ 0.66 1.21212121 12]
[ 0.66 1.24242424 13]]
实现这一目标最有效的方法是什么?
最佳答案
对于排序数组,就像给定的示例一样,很容易 -
rank = np.r_[True, (a[1:] != a[:-1]).any(1)].cumsum()
out = np.column_stack(( a, rank ))
作为 (a[1:] != a[:-1]).any(1)
的替代方案,我们可以使用以下内容来提高性能:
(a[1:,0] != a[:-1,0]) | (a[1:,1] != a[:-1,1])
分步运行示例
1) 输入数组:
In [70]: a
Out[70]:
array([[ 0.76 , 1.28947368],
[ 0.68 , 1.41176471],
[ 0.68 , 1.41176471],
[ 0.68 , 1.44117647],
[ 0.66 , 1.09090909],
[ 0.66 , 1.15151515],
[ 0.66 , 1.15151515],
[ 0.66 , 1.24242424]])
2) 获取连续行之间不等式的掩码。这里的想法是,由于数组已排序,因此重复的行在两列中将具有相同的元素。因此,由于两列之间存在不等式,我们将得到一个一维掩码,但一个元素比原始数组中的总行数少,因为我们使用了切片时留下了一个元素:
In [71]: a[1:] != a[:-1]
Out[71]:
array([[ True, True],
[False, False],
[False, True],
[ True, True],
[False, True],
[False, False],
[False, True]], dtype=bool)
In [72]: (a[1:] != a[:-1]).any(1)
Out[72]: array([ True, False, True, True, True, False, True], dtype=bool)
现在,为了补偿少一元素,并且由于我们需要从 1
开始排名,并且我们打算使用累积求和来进行此增量排名,因此让我们附加一个 1
在开始,然后使用 cumsum 给我们预期的排名:
In [75]: np.r_[True, (a[1:] != a[:-1]).any(1)]
Out[75]: array([ True, True, False, True, True, True, False, True], dtype=bool)
In [76]: np.r_[True, (a[1:] != a[:-1]).any(1)].cumsum()
Out[76]: array([1, 2, 2, 3, 4, 5, 5, 6])
为了直观地验证,这里是堆叠输出:
In [77]: np.column_stack(( a, _ ))
Out[77]:
array([[ 0.76 , 1.28947368, 1. ],
[ 0.68 , 1.41176471, 2. ],
[ 0.68 , 1.41176471, 2. ],
[ 0.68 , 1.44117647, 3. ],
[ 0.66 , 1.09090909, 4. ],
[ 0.66 , 1.15151515, 5. ],
[ 0.66 , 1.15151515, 5. ],
[ 0.66 , 1.24242424, 6. ]])
关于python - 二维 Numpy 数组排名,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/42537153/