与 axis=0 相比，np.argmin(arr, axis=1) 在 2D 和 3D 数组上

Question

我知道如何np.argmin(arr, axis=0)运作。但np.argmin(arr, axis=1)让我很困惑。示例1：代码：a2 = np.array([[1. , 2. , 3.3],               [4. , 5. , 6.5]])np.argmin(a2, axis=1)输出：array([0, 0], dtype=int64)困惑：我的困惑是，共有 2 个索引，总共 3 列。那为什么它的输出是(0,0)呢？它应该给出以下输出：预期输出#1：array([0], dtype=int64)原因： 因为，它找到了“索引0”中最低的元素。预期输出#2：array([0, 0, 0], dtype=int64)原因： 因为，在将索引 0 的元素与索引 1 的元素进行比较之后。应该说，每次我对这两个索引进行比较时，我都找到了索引 0 中的最低元素示例2：代码：a5 = np.array([[[ 1,  2,  3,  4],                [ 4,  5,  6,  7],                [ 7,  8,  9, 10]],               [[10, 11, 12, 13],                [16, 17, 18, 19],                [19, 20, 21, 22]]])np.argmin(a5, axis=1)输出：array([[0, 0, 0, 0],       [0, 0, 0, 0]], dtype=int64)困惑： 现在为什么它在输出中给出 4 列和 2 行？

Answer 1

无论轴号如何，np.min和的处理都是相同的。argmin0 并不意味着比 1 或 2 更特殊的东西。在所有情况下，指定的轴都会从结果中删除（与 相同np.sum）。

让我们做一些更随机、更有趣的事情：

In [216]: arr = np.arange(24)

In [218]: np.random.shuffle(arr)

In [219]: arr

Out[219]: 

array([10,  2, 12, 11, 15,  8, 17, 20, 13, 21, 14,  1, 22,  7,  3,  5,  9,

        0, 19, 16, 18,  6, 23,  4])

In [220]: arr = arr.reshape(2,3,4)

In [221]: arr

Out[221]: 

array([[[10,  2, 12, 11],

        [15,  8, 17, 20],

        [13, 21, 14,  1]],

       [[22,  7,  3,  5],

        [ 9,  0, 19, 16],

        [18,  6, 23,  4]]])

使用axis=0，确定每个“行/列”元素的哪个“平面”具有最小值。

In [222]: np.min(arr, axis=0)

Out[222]: 

array([[10,  2,  3,  5],

       [ 9,  0, 17, 16],

       [13,  6, 14,  1]])

In [223]: np.argmin(arr, axis=0)

Out[223]: 

array([[0, 0, 1, 1],

       [1, 1, 0, 1],

       [0, 1, 0, 0]])

argmin值是大小为 2 的维度的值索引值。10位于第一个平面， 位于3第二个平面，依此类推。

对轴 2（行）做同样的事情：

In [224]: np.min(arr, axis=2)

Out[224]: 

array([[2, 8, 1],

       [3, 0, 4]])

In [225]: np.argmin(arr, axis=2)

Out[225]: 

array([[1, 1, 3],

       [2, 1, 3]])

位于2第二列、1第四列等。

使用它argmin来获取min值需要熟悉高级索引：

In [226]: arr[[[0],[1]], [0,1,2], _225]     # Out[225] argmin

Out[226]: 

array([[2, 8, 1],

       [3, 0, 4]])

这里我使用 (2,1) 和 (3,) 数组（或可以制成数组的列表），它们将一起广播以匹配 (2,3) 索引argmin。他们一起从 (2,3,4) 形状中选取一个 (2,3) 值数组arr。

一个新的功能take_along_axis应该会让应用更argmin容易。它有一个例子。此处应用：

In [236]: idx = _225    

In [237]: np.take_along_axis(arr, idx[...,None], axis=2)

Out[237]: 

array([[[2],

        [8],

        [1]],

       [[3],

        [0],

        [4]]])

这是Out[224] np.min展开为 3d (2,3,1) 形状的数组。在显示中挑选出最少的元素可能会更容易Out[221]。

In [238]: idx[...,None]

Out[238]: 

array([[[1],

        [1],

        [3]],

       [[2],

        [1],

        [3]]])

Answer 2

看来我也无法完全理解这些符号，因为我总是发现自己将最后一个轴与最后一个轴之前的轴混淆了：

2D模型（行-列）

np.argmin不幸的是，不同轴的结果是：

np.argmin(arr, axis=0)    np.argmin(arr, axis=1) 
       [0 0 1]                    [0 2]

3D模型（水平-行-列）

这也很接近：

np.argmin(arr, axis=0)    np.argmin(arr, axis=1)    np.argmin(arr, axis=2) 
       [0 0]                      [0 1]                       [0 1]
       [1 0]                      [1 1]                       [0 0]

再说一次，除了axis=1与 交换之外，这工作得很好axis=2。

我不知道这个神奇的交换从何而来，但希望这个图像有助于OP理解轴如何与维度联系起来。

如果有人能评论为什么我需要特别应用规则，那就太好了Swap last two axes of your expected output。