具有缩减的最大值的Numpy索引-Numpy.argmax.reduceat

我有一个平面阵列

b

：

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

以及标记每个“块”开头的索引数组

c

：

我知道我可以通过减少找到每个“块”的最大值：

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

但是。。。有没有一种方法可以通过矢量化操作（无列表、循环）找到块

中最大

的索引（如

numpy.argmax

）

涉及的步骤：

• 按限制偏移量偏移组中的所有图元。对它们进行全局排序，从而限制每个组停留在它们的位置，但对每个组内的元素进行排序

• 在排序数组中，我们将查找最后一个元素，即组最大值。它们的索引将是组长度向下偏移后的argmax

因此，矢量化的实现将是-

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，也可能是更快的调整，我们可以使用

cumsum

创建

shift

，这样就有了早期方法的变体，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

---

暂时删除了我的问题，因为我认为我有一个答案：

numpy.argmax（numpy.equal.outer（m，a），axis=1）

，但这不适用于在许多地方出现相同max的示例…例如在这个数组上：

a=numpy.array（[0，1，1，3，3，1，2]）

，在两个块中出现相同的最大值

3

。问题是

np.max

是一个

ufunc

和

reduceat

-有效地迭代数组，一次比较两个值。但是

np.max

和

np.argmax

是同时在整个数组上运行的函数。他们不是

ufunc

@hpaulj，是的，我知道。我在问是否有人能想出一个具有相同行为的解决方案。在我的例子中，两种解决方案都很有效，因为我已经有了先前操作的

shift

。回答得好。嘿，几个月前你已经回答了我的问题。你能看看这个帖子吗：。这与这个问题有关。

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