Numpy 指数的最大值与减少 - numpy.argmax.reduceat.

Question

我有一个平面数组b：

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

以及一个c索引数组，标记每个"块"的开头：

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

我知道我可以使用缩减在每个"块"中找到最大值：

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

但。。。有没有办法通过矢量化操作（无列表、循环）找到块</edit>（如 numpy.argmax）内最大<edit>的索引？

Answer 1

借用this post的想法。

涉及的步骤：

• 按限制偏移偏移组中的所有元素。对它们进行全局排序，从而限制每个组停留在其位置，但对每个组中的元素进行排序。

• 在排序数组中，我们将查找最后一个元素，即组 max。他们的索引将是抵消组长度后的 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

作为一个小的调整，可能更快的调整，我们也可以使用 cumsum 创建shift，从而获得早期方法的变体，如下所示 -

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