numpy.ndarray 排序以返回索引答案

【问题标题】：numpy.ndarray sorting to return indicesnumpy.ndarray 排序以返回索引
【发布时间】：2021-12-27 17:06:57
【问题描述】：

errors = [[ 0.,  9., 12.,  9., 14.,  5.,  4., 10.,  8.,  8.,  6.,  5.,  9.],
   [ 9.,  0., 22., 16., 11., 12.,  9., 21., 14., 11., 16., 15.,  9.],
   [12., 22.,  0., 18., 23., 16., 10., 22., 21., 13., 13., 13., 15.],
   [ 9., 16., 18.,  0., 11., 12.,  8., 19., 20., 11.,  7.,  9., 13.],
   [14., 11., 23., 11.,  0., 11.,  7., 18.,  9., 10.,  7.,  7., 14.],
   [ 5., 12., 16., 12., 11.,  0.,  7., 13., 15.,  5.,  8., 10.,  9.],
   [ 4.,  9., 10.,  8.,  7.,  7.,  0.,  8.,  8.,  3.,  4.,  7.,  4.],
   [10., 21., 22., 19., 18., 13.,  8.,  0., 18., 12., 14., 13., 11.],
   [ 8., 14., 21., 20.,  9., 15.,  8., 18.,  0.,  5., 11., 16., 10.],
   [ 8., 11., 13., 11., 10.,  5.,  3., 12.,  5.,  0.,  8.,  9.,  5.],
   [ 6., 16., 13.,  7.,  7.,  8.,  4., 14., 11.,  8.,  0., 11.,  7.],
   [ 5., 15., 13.,  9.,  7., 10.,  7., 13., 16.,  9., 11.,  0.,  4.],
   [ 9.,  9., 15., 13., 14.,  9.,  4., 11., 10.,  5.,  7.,  4.,  0.]])

上面是形状 (13,13) 的 numpy.ndarray，使用 13 个特征中的两个特征在某个分类任务中获得错误。

这里的任务是找到最小的可实现的错误和实现这个最小误差的特征对

因为数据很少，最小的误差可以用眼睛看到，它的 3 和特征对是 (6,9) 或 (9,6)。

（0值的诊断线本身就是特征，所以不包括在内）。

我曾尝试使用 argsort 进行此操作，但它仅对每一行进行单独排序，我没有得到答案。

请帮忙。

【问题讨论】：

标签： python numpy-ndarray np.argsort

【解决方案1】：

严格来说，您需要屏蔽的不是零，而是对角线值。谁知道呢，可能会有一对会给出绝配。所以我会这样做：

# This modifies errors filling the diagonal with inf-s. Make a copy if you need to keep the original result intact.
np.fill_diagonal(errors, np.inf)
np.nonzero(errors == errors.min())

【讨论】：

如果一对或多对真的实现了零错误会发生什么。你将如何返回它的索引。正如我阅读文档时所说，np.nonzero 返回非零元素的索引。
这里np.nonzero 返回errors == errors.min() 的非零元素的索引，这是一个具有非零元素的布尔数组，其中errors 等于errors.min()。如果errors.min() 为零，它将返回errors 的零元素的索引。

【解决方案2】：

如果我正确理解你的任务：

在errors-array 中找到最小值
找出这个最小错误的索引

我使用min() 和nonzero() 实现了这一点。这是我对您的问题的解决方案：

errors = np.array((
   [ 0.,  9., 12.,  9., 14.,  5.,  4., 10.,  8.,  8.,  6.,  5.,  9.],
   [ 9.,  0., 22., 16., 11., 12.,  9., 21., 14., 11., 16., 15.,  9.],
   [12., 22.,  0., 18., 23., 16., 10., 22., 21., 13., 13., 13., 15.],
   [ 9., 16., 18.,  0., 11., 12.,  8., 19., 20., 11.,  7.,  9., 13.],
   [14., 11., 23., 11.,  0., 11.,  7., 18.,  9., 10.,  7.,  7., 14.],
   [ 5., 12., 16., 12., 11.,  0.,  7., 13., 15.,  5.,  8., 10.,  9.],
   [ 4.,  9., 10.,  8.,  7.,  7.,  0.,  8.,  8.,  3.,  4.,  7.,  4.],
   [10., 21., 22., 19., 18., 13.,  8.,  0., 18., 12., 14., 13., 11.],
   [ 8., 14., 21., 20.,  9., 15.,  8., 18.,  0.,  5., 11., 16., 10.],
   [ 8., 11., 13., 11., 10.,  5.,  3., 12.,  5.,  0.,  8.,  9.,  5.],
   [ 6., 16., 13.,  7.,  7.,  8.,  4., 14., 11.,  8.,  0., 11.,  7.],
   [ 5., 15., 13.,  9.,  7., 10.,  7., 13., 16.,  9., 11.,  0.,  4.],
   [ 9.,  9., 15., 13., 14.,  9.,  4., 11., 10.,  5.,  7.,  4.,  0.]))

min_error = errors[errors!=0].min()
pairs = np.nonzero(errors == errors[errors!=0].min())

这给了我预期的输出 min_error = 3 和 pairs = (array([6, 9]), array([9, 6]))。

【讨论】：