Je ne peux pas comprendre les résultats de argmax
et argmin
lorsqu’ils sont utilisés avec le paramètre axis. Par exemple:
>>> a = np.array([[1,2,4,7], [9,88,6,45], [9,76,3,4]])
>>> a
array([[ 1, 2, 4, 7],
[ 9, 88, 6, 45],
[ 9, 76, 3, 4]])
>>> a.shape
(3, 4)
>>> a.size
12
>>> np.argmax(a)
5
>>> np.argmax(a,axis=0)
array([1, 1, 1, 1])
>>> np.argmax(a,axis=1)
array([3, 1, 1])
>>> np.argmin(a)
0
>>> np.argmin(a,axis=0)
array([0, 0, 2, 2])
>>> np.argmin(a,axis=1)
array([0, 2, 2])
Comme vous pouvez le constater, la valeur maximale est le point (1,1) et la valeur minimale est le point (0,0). Donc, dans ma logique quand je cours:
np.argmin(a,axis=0)
Je m'attendais array([0,0,0,0])
np.argmin(a,axis=1)
Je m'attendais array([0,0,0])
np.argmax(a,axis=0)
Je m'attendais array([1,1,1,1])
np.argmax(a,axis=1)
Je m'attendais array([1,1,1])
Quel est le problème avec ma compréhension des choses?
En ajoutant l'argument axis
, NumPy examine les lignes et les colonnes individuellement. Lorsqu'il n'est pas donné, le tableau a
est aplati dans un tableau 1D unique.
axis=0
signifie que l'opération est effectuée down les colonnes d'un tableau 2D a
à son tour.
Par exemple, np.argmin(a, axis=0)
renvoie l'index de la valeur minimale dans chacune des quatre colonnes. La valeur minimale dans chaque colonne est indiquée en gras ci-dessous:
>>> a
array([[ 1, 2, 4, 7], # 0
[ 9, 88, 6, 45], # 1
[ 9, 76, 3, 4]]) # 2
>>> np.argmin(a, axis=0)
array([0, 0, 2, 2])
axis=1
signifie en revanche que l'opération est effectuée sur les lignes de a
.
Cela signifie que np.argmin(a, axis=1)
renvoie [0, 2, 2]
car a
a trois lignes. L'index de la valeur minimum dans la première ligne est 0, celui de la valeur minimum des deuxième et troisième lignes est 2:
>>> a
# 0 1 2 3
array([[ 1, 2, 4, 7],
[ 9, 88, 6, 45],
[ 9, 76, 3, 4]])
>>> np.argmin(a, axis=1)
array([0, 2, 2])
La fonction np.argmax
fonctionne par défaut le long du tableau aplati , sauf si vous spécifiez un axe. Pour voir ce qui se passe, vous pouvez utiliser flatten
explicitement:
np.argmax(a)
>>> 5
a.flatten()
>>>> array([ 1, 2, 4, 7, 9, 88, 6, 45, 9, 76, 3, 4])
0 1 2 3 4 5
J'ai numéroté les index sous le tableau ci-dessus pour le rendre plus clair. Notez que les index sont numérotés à partir de zéro dans numpy
.
Dans les cas où vous spécifiez l’axe, il fonctionne également comme prévu:
np.argmax(a,axis=0)
>>> array([1, 1, 1, 1])
Cela vous indique que la plus grande valeur se trouve dans la ligne 1
(2ème valeur), pour chaque colonne de axis=0
(en bas). Vous pouvez voir cela plus clairement si vous modifiez un peu vos données:
a=np.array([[100,2,4,7],[9,88,6,45],[9,76,3,100]])
a
>>> array([[100, 2, 4, 7],
[ 9, 88, 6, 45],
[ 9, 76, 3, 100]])
np.argmax(a, axis=0)
>>> array([0, 1, 1, 2])
Comme vous pouvez le constater, il identifie maintenant la valeur maximale de la ligne 0 pour la colonne 1, de la ligne 1 pour les colonnes 2 et 3 et de la ligne 3 pour la colonne 4.
Il existe un guide utile pour l’indexation numpy
dans la documentation .
Remarque: si vous voulez trouver les coordonnées de votre valeur maximale dans le tableau complet, vous pouvez utiliser
a=np.array([[1,2,4,7],[9,88,6,45],[9,76,3,4]])
>>> a
[[ 1 2 4 7]
[ 9 88 6 45]
[ 9 76 3 4]]
c=(np.argmax(a)/len(a[0]),np.argmax(a)%len(a[0]))
>>> c
(1, 1)
""" ....READ THE COMMENTS FOR CLARIFICATION....."""
import numpy as np
a = np.array([[1,2,4,7], [9,88,6,45], [9,76,3,4]])
"""np.argmax(a) will give index of max value in flatted array of given matrix """
>>np.arg(max)
5
"""np.argmax(a,axis=0) will return list of indexes of max value column-wise"""
>>print(np.argmax(a,axis=0))
[1,1,1,1]
"""np.argmax(a,axis=1) will return list of indexes of max value row-wise"""
>>print(np.argmax(a,axis=1))
[3,1,1]
"""np.argmin(a) will give index of min value in flatted array of given matrix """
>>np.arg(min)
0
"""np.argmin(a,axis=0) will return list of indexes of min value column-wise"""
>>print(np.argmin(a,axis=0))
[0,0,2,2]
"""np.argmin(a,axis=0) will return list of indexes of min value row-wise"""
>>print(np.argmin(a,axis=1))
[0,2,2]
L'axe dans l'argument de la fonction argmax fait référence à l'axe le long duquel le tableau sera découpé.
Dans un autre mot, np.argmin(a,axis=0)
est effectivement identique à np.apply_along_axis(np.argmin, 0, a)
, c’est-à-dire que l’emplacement minimum de ces vecteurs découpés le long de l’axe = 0.
Par conséquent, dans votre exemple, np.argmin(a, axis=0)
est [0, 0, 2, 2]
, ce qui correspond aux valeurs de [1, 2, 3, 4]
dans les colonnes respectives.