减少的最大值的 Numpy 索引 - numpy.argmax.reduceat

Question

我有一个平面数组b：

a = numpy.array([0, 1, 1, 2, 3, 1, 2])

还有一个索引数组c 标记每个“块”的开始：

b = numpy.array([0, 4])

我知道我可以通过减少找到每个“块”中的最大值：

m = numpy.maximum.reduceat(a,b)
>>> array([2, 3], dtype=int32)

但是...有没有办法在一个块</edit>（如numpy.argmax）中找到最大<edit>的索引，使用矢量化操作（没有列表，循环）？

Answer 1

借鉴this post的想法。

涉及的步骤：

• 将组中的所有元素偏移一个限制偏移量。对它们进行全局排序，从而限制每个组停留在它们的位置，但对每个组内的元素进行排序。

• 在排序后的数组中，我们将查找最后一个元素，即组最大值。它们的索引将是向下偏移组长度后的 argmax。

因此，矢量化实现将是 -

def numpy_argmax_reduceat(a, b):
    n = a.max()+1  # limit-offset
    grp_count = np.append(b[1:] - b[:-1], a.size - b[-1])
    shift = n*np.repeat(np.arange(grp_count.size), grp_count)
    sortidx = (a+shift).argsort()
    grp_shifted_argmax = np.append(b[1:],a.size)-1
    return sortidx[grp_shifted_argmax] - b

作为一个小调整并且可能更快，我们可以替代地创建shift 和cumsum，从而有一个早期方法的变体，就像这样 -

def numpy_argmax_reduceat_v2(a, b):
    n = a.max()+1  # limit-offset
    id_arr = np.zeros(a.size,dtype=int)
    id_arr[b[1:]] = 1
    shift = n*id_arr.cumsum()
    sortidx = (a+shift).argsort()
    grp_shifted_argmax = np.append(b[1:],a.size)-1
    return sortidx[grp_shifted_argmax] - b