<\/p>\n
U kunt een van de volgende methoden gebruiken om de volgorde van elementen in een NumPy-array te berekenen:<\/span><\/p>\n Methode 1: Gebruik argsort() van NumPy<\/strong><\/span><\/p>\n Methode 2: Gebruik SciPy’s Rankdata()<\/strong><\/span><\/p>\n De volgende voorbeelden laten zien hoe u elke methode in de praktijk kunt gebruiken met de volgende NumPy-array:<\/span><\/p>\n De volgende code laat zien hoe u de functie argsort()<\/strong> van NumPy gebruikt om array-elementen te sorteren:<\/span><\/p>\n De resultaten tonen de rangorde van elk element in de oorspronkelijke array, waarbij 0<\/strong> de laagste waarde vertegenwoordigt.<\/span><\/span><\/p>\n Het voordeel van deze aanpak is dat u geen extra modules hoeft te laden, maar het nadeel is dat argsort()<\/strong> slechts \u00e9\u00e9n methode heeft voor het verwerken van links.<\/span><\/p>\n Standaard gebruikt argsort()<\/strong> een ordinale methode om links af te handelen, wat betekent dat de gekoppelde waarde die als eerste verschijnt automatisch de lagere rang krijgt.<\/span><\/p>\n De volgende code laat zien hoe u de functie Rankdata()<\/strong> van SciPy gebruikt om array-elementen te rangschikken:<\/span><\/p>\n De resultaten tonen de rangorde van elk element in de oorspronkelijke array, waarbij 1<\/strong> de kleinste waarde vertegenwoordigt.<\/span><\/p>\n Als u wilt dat 0<\/strong> de kleinste waarde vertegenwoordigt, trekt u eenvoudigweg 1 van elke waarde af:<\/span><\/p>\n Standaard wijst de functie Rankdata()<\/strong> gemiddelde rangen toe aan alle waarden met banden.<\/span><\/span><\/p>\n U kunt het methodeargument echter gebruiken om koppelingen op een andere manier af te handelen.<\/span><\/p>\n De volgende code laat bijvoorbeeld zien hoe u ordinaal<\/strong> gebruikt als koppelingsbeheermethode:<\/span><\/p>\n Dit levert dezelfde resultaten op als de methode argsort()<\/strong> van NumPy.<\/span><\/p>\n Andere methoden voor linkbeheer zijn onder meer min<\/strong> , max<\/strong> en density<\/strong> .<\/span><\/p>\n Lees meer over elke methode in de SciPy-documentatie<\/a> .<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in NumPy kunt uitvoeren:<\/span><\/p>\n Hoe dubbele elementen uit de NumPy-array te verwijderen<\/a> U kunt een van de volgende methoden gebruiken om de volgorde van elementen in een NumPy-array te berekenen: Methode 1: Gebruik argsort() van NumPy import numpy as np ranks = np. array (my_array). argsort (). argsort () Methode 2: Gebruik SciPy’s Rankdata() from scipy. stats import rankdata ranks = rankdata(my_array) De volgende voorbeelden laten zien […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-3839","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n import<\/span> numpy as<\/span> np\n\nranks = np. array<\/span> (my_array). argsort<\/span> (). argsort<\/span> ()\n<\/strong><\/span><\/pre>\n from<\/span> scipy. stats<\/span> import<\/span> rankdata\n\nranks = rankdata(my_array)\n<\/b><\/span><\/pre>\n import<\/span> numpy as<\/span> np\n\n#define array of values\n<\/span>my_array = np. array<\/span> ([3, 5, 2, 1, 9, 9])\n\n#view array\n<\/span>print<\/span> (my_array)\n\n[3 5 2 1 9 9]<\/b><\/span><\/pre>\n Voorbeeld 1: Elementen sorteren in NumPy-array met argsort()<\/span><\/strong><\/h2>\n
#calculate rank of each item in array\n<\/span>ranks = np. array<\/span> (my_array). argsort<\/span> (). argsort<\/span> ()\n\n#view ranks\n<\/span>print<\/span> (ranks)\n\n[2 3 1 0 4 5]\n<\/strong><\/span><\/pre>\n Voorbeeld 2: Elementen in NumPy-array rangschikken met behulp van Rankdata()<\/span><\/strong><\/h2>\n
from<\/span> scipy. stats<\/span> import<\/span> rankdata<\/b><\/span>\n\n#calculate rank of each item in array\n<\/span>ranks = rankdata(my_array)<\/b>\n\n#view ranks\n<\/span>print<\/span> (ranks)\n\narray([3. , 4. , 2. , 1. , 5.5, 5.5])\n<\/strong><\/span><\/pre>\n from<\/span> scipy. stats<\/span> import<\/span> rankdata<\/b>\n<\/span>\n#calculate rank of each item in array\n<\/span>ranks = rankdata(my_array) - 1\n\n#view ranks\n<\/span>print<\/span> (ranks)\n\n[2. 3. 1. 0. 4.5 4.5]<\/strong><\/span><\/pre>\n from<\/span> scipy. stats<\/span> import<\/span> rankdata<\/b>\n\n#calculate rank of each item in array\n<\/span>ranks = rankdata(my_array, method=' ordinal<\/span> ') - 1\n\n#view ranks\n<\/span>print<\/span> (ranks)\n\n[2 3 1 0 4 5]\n<\/strong><\/span><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe een NumPy-array van floats naar gehele getallen te converteren<\/a>
Hoe een NumPy-matrix naar een array te converteren<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"