python之np.argmax()及对axis=0或者1代码示例
本篇文章小编给大家分享一下python之np.argmax()及对axis=0或者1代码示例，文章代码介绍的很详细，小编觉得挺不错的，现在分享给大家供大家参考，有需要的小伙伴们可以来看看。
一、np.argmax()的理解
1、最简单的例子
假定现在有一个数组a = [3, 1, 2, 4, 6, 1]现在要算数组a中最大数的索引是多少。最直接的思路,先假定第0个数最大,然后拿这个和后面的数比,找到大的就更新索引。代码如下
a = [3, 1, 2, 4, 6, 1]
maxindex = 0
i = 0
for tmp in a:
if tmp > a[maxindex]:
maxindex = i
i += 1
print(maxindex)
这个问题可以帮助我们理解argmax.
2、函数的解释
一维数组
import numpy as np a = np.array([3, 1, 2, 4, 6, 1]) print(np.argmax(a))
argmax返回的是最大数的索引.argmax有一个参数axis,默认是0,表示第几维的最大值。
二维数组
import numpy as np
a = np.array([[1, 5, 5, 2],
[9, 6, 2, 8],
[3, 7, 9, 1]])
print(np.argmax(a, axis=0))
为了描述方便,a就表示这个二维数组。np.argmax(a, axis=0)的含义是a[0][j],a[1][j],a[2]j中最大值的索引。从a[0][j]开始,最大值索引最初为(0,0,0,0),拿a[0][j]和a[1][j]作比较,9大于1,6大于5,8大于2,所以最大值索引由(0,0,0,0)更新为(1,1,0,1),再和a[2][j]作比较,7大于6,9大于5所以更新为(1,2,2,1)。
再分析下面的输出.
import numpy as np
a = np.array([[1, 5, 5, 2],
[9, 6, 2, 8],
[3, 7, 9, 1]])
print(np.argmax(a, axis=1))
np.argmax(a, axis=1)的含义是a[i][0],a[i][1],a[i][2],a[i]3中最大值的索引。从a[i][0]开始,a[i][0]对应的索引为(0,0,0),先假定它就是最大值索引(思路和上节简单例子完全一致)拿a[i][0]和a[i][1]作比较,5大于1,7大于3所以最大值索引由(0,0,0)更新为(1,0,1),再和a[i][2]作比较,9大于7,更新为(1,0,2),再和a[i][3]作比较,不用更新,最终值为(1,0,2)
三维数组
import numpy as np
a = np.array([
[
[1, 5, 5, 2],
[9, -6, 2, 8],
[-3, 7, -9, 1]
],
[
[-1, 5, -5, 2],
[9, 6, 2, 8],
[3, 7, 9, 1]
]
])
print(np.argmax(a, axis=0))
np.argmax(a, axis=0)的含义是a[0][j][k],a[1][j][k] (j=0,1,2,k=0,1,2,3)中最大值的索引。
从a[0][j][k]开始,a[0][j][k]对应的索引为((0,0,0,0),(0,0,0,0),(0,0,0,0)),拿a[0][j][k]和a[1][j][k]对应项作比较6大于-6,3大于-3,9大于-9,所以更新这几个位置的索引,将((0,0,0,0),(0,0,0,0),(0,0,0,0))更新为((0,0,0,0),(0,1,0,0),(1,0,1,0)).。
再看axis=1的情况
import numpy as np
a = np.array([
[
[1, 5, 5, 2],
[9, -6, 2, 8],
[-3, 7, -9, 1]
],
[
[-1, 5, -5, 2],
[9, 6, 2, 8],
[3, 7, 9, 1]
]
])
print(np.argmax(a, axis=1))
np.argmax(a, axis=1)的含义是a[i][0][k],a[i][1][k] (i=0,1,k=0,1,2,3)中最大值的索引。从a[i][0][k]开始,a[i][0][k]对应的索引为((0,0,0,0),(0,0,0,0)),拿a[i][0][k]和a[i][1][k]对应项作比较,9大于1,8大于2,9大于-1,6大于5,2大于-5,8大于2,所以更新这几个位置的索引,将((0,0,0,0),(0,0,0,0))更新为((1,0,0,1),(1,1,1,1)),现在最大值对应的数组为((9,5,5,8),(9,6,2,8))。
再拿((9,5,5,8),(9,6,2,8))和a[i][2][k]对应项从比较,7大于5,7大于6,9大于2.更新这几个位置的索引。
将((1,0,0,1),(1,1,1,1))更新为((1,2,0,1),(1,2,2,1)).axis=2的情况也是类似的。
二、关于axis的理解
设置axis的主要原因是方便我们进行多个维度的计算。
通过例子来进行理解
比如：
a = np.array([[1, 2, 3],
[2, 3, 4],
[5, 4, 3],
[8, 7, 2]])
np.argmax(a, 0) ＃输出：array([3, 3, 1]
np.argmax(a, 1) ＃输出：array([2, 2, 0, 0]
axis = 0:
你就这么想，0是最大的范围，所有的数组都要进行比较，只是比较的是这些数组相同位置上的数(我的理解是0 列比较输出)：
a[0] = array([1, 2, 3]) a[1] = array([2, 3, 4]) a[2] = array([5, 4, 3]) a[3] = array([8, 7, 2]) # output : [3, 3, 1]
axis = 1: （行比较输出）
等于1的时候，比较范围缩小了，只会比较每个数组内的数的大小，结果也会根据有几个数组，产生几个结果。
a[0] = array([1, 2, 3]) #2 a[1] = array([2, 3, 4]) #2 a[2] = array([5, 4, 3]) #0 a[3] = array([8, 7, 2]) #0
特例
这是里面都是数组长度一致的情况，如果不一致，axis最大值为最小的数组长度-1，超过则报错。
当不一致的时候，axis=0的比较也就变成了每个数组的和的比较。
比较示例如下
当数组长度都一样时
import numpy as np
a = np.array([
[
[1, 5, 5, 2],
[9, -6, 2, 8],
[-3, 7, -9, 1]
],
[
[-1, 5, -5, 2],
[9, 6, 2, 8],
[3, 7, 9,1]
]
])
print(np.argmax(a, axis=0))
print(np.argmax(a, axis=1))
输出为
[[0 0 0 0]
[0 1 0 0]
[1 0 1 0]]
[[1 2 0 1]
[1 2 2 1]]
当数组长度都不一样时，
a = np.array([
[
[1, 5, 5, 2],
[9, -6, 2, 8],
[-3, 7, -9, 1]
],
[
[-1, 5, -5, 2],
[9, 6, 2, 8],
[3, 7, 9]
]
])
print(np.argmax(a, axis=0))
print(np.argmax(a, axis=1))
输出为
[0 1 1]
[1 1]
numpy 的argmax的参数axis=0/1的概念
对numpy的argmax一直记不得默认是行还是列搜索，总是用糊涂，每次都要查资料，今天突然醒悟。
先列后行，为什么呢？
看下面的一个列表，就知道了。
>>b=np.array([1, 2, 3, 4, 3, 2, 1]) >>np.argmax(b) >>3 >>np.argmax(b, axis=0) >>3
默认axis=0，列表只有一个维度，自然就是一行数据的最大数的索引。
那么对于二维向量，只需要记住axis是坐标轴的方向，不是行列的概念。
在Numpy库中：
轴用来为超过一维的数组定义的属性，二维数据拥有两个轴：
第0轴沿着行的垂直往下，第1轴沿着列的方向水平延伸。简单的来记就是axis=0代表往跨行（down)，而axis=1代表跨列（across)。
所以axis=0代表的就是列查找，axis=1代表着行查找。
>>a = np.array([[1, 5, 5, 2],
[9, 6, 2, 8],
[3, 7, 9, 1]])
>>np.argmax(a,axis=0)
>>array([1, 2, 2, 1], dtype=int64)
>>np.argmax(a,axis=1)
>>array([1, 0, 2], dtype=int64) 
