Python Pyrotch argsort排序，张量中有重复元素

我有一个向量

a=[0,1,2,3,0,0,1,1,2,2,3,3]

。我需要以一种递增的方式对它进行排序，以便它以有序的方式列出，并从中提取argsort。为了更好地解释这一点，我需要对A进行排序，使其返回

B=[0,4,5,1,6,7,2,8,9,3,10,11]

。但是，当我使用pyotch的

torch.argsort（A）

时，它返回

B=[4,5,0,1,6,7,2,8,9,3,10,11]

我假设这样做的算法在我这边是无法控制的。有没有办法在不引入for循环的情况下实现这一点？这种操作是我的NN模型的一部分，如果不有效地执行，将导致性能问题。谢谢

这里有一种方法：

• 使用numpy.argsort（）对numpy数组进行排序
• 使用torch.from_numpy（）将结果转换为张量

  导入火炬
  将numpy作为np导入
  A=[0,1,2,3,0,0,1,1,2,2,3,3]
  x=np.数组（A）
  y=torch.from_numpy（np.argsort（x，kind='mergesort'））
  打印（y）

---

这是一个纯粹的基于PyTorch的解决方案，它利用了。这将极大地促进基于GPU的实现/运行，如果我们必须切换回NumPy，

argsort

it，然后再转移回PyTorch（如其他方法所建议的），这是不可能的

一旦我们有了这个布尔张量，我们就可以通过在转换布尔张量后检查

1

的位置来找到所需的索引

这将为我们提供排序的

输入

和

索引

。因为我们只需要索引，所以我们可以通过索引最后一列（

1

或

-1

）来获取索引

---

以下是OP在评论中提供的另一个示例的结果：

In [55]: A_large = torch.tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 0, 0, 1, 1, 2, 2, 3, 3, 4, 4, 5, 5, 6, 6, 7, 7, 8, 8, 9, 9])

In [56]: boolean_large = A_large[:, None] == torch.unique(A_large)

In [57]: torch.nonzero(boolean_large.t())[:, -1]
Out[57]: 
tensor([ 0, 10, 11,  1, 12, 13,  2, 14, 15,  3, 16, 17,  4, 18, 19,  5, 20, 21,
         6, 22, 23,  7, 24, 25,  8, 26, 27,  9, 28, 29])

---

注意：与其他答案中提出的基于NumPy的解决方案不同，这里我们不必担心我们必须使用的排序算法的

种类，因为我们根本不使用任何排序。
您可以尝试使用
NumPy.argsort（）
来查看它是否有效。我尝试使用
NumPy.sort（[0,1,2,3,0,0,1,1,2,3,3]））
结果是
[0,4,5,1,6,7,2,8,9,3,10,11]
如您所愿。完美-谢谢！嗯，在我的例子中，当向量更大时，这似乎就失效了。以案例
A=[0112344567809001234344556677889]
为例，需要组织这样的
B=[01011112132141531634171819520262237242582627929]
。但是，np.argsort（）返回：
[10,0,11,1,13,12,15,14,2,3,17,16,19,18,4,21,5,20,6,22,23,25,7,24,27,8,26,9,28,29]
。已解决：要使用的排序算法需要是kind='mergesort'，而不是默认的'quicksort'@AnubhavSingh。虽然这种方法似乎可行，但我们可能会遇到性能问题，因为numpy无法使用GPU，而且在CPU和GPU之间来回复制张量也会带来开销。此外，您可能会失去自动添加的功能，这是真正的切肉刀。非常感谢。当我想使用GPU时，我没有考虑这个问题。
In [53]: torch.nonzero(boolean.t())[:, -1]
Out[53]: tensor([ 0,  4,  5,  1,  6,  7,  2,  8,  9,  3, 10, 11])

In [55]: A_large = torch.tensor([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 0, 0, 1, 1, 2, 2, 3, 3, 4, 4, 5, 5, 6, 6, 7, 7, 8, 8, 9, 9])

In [56]: boolean_large = A_large[:, None] == torch.unique(A_large)

In [57]: torch.nonzero(boolean_large.t())[:, -1]
Out[57]: 
tensor([ 0, 10, 11,  1, 12, 13,  2, 14, 15,  3, 16, 17,  4, 18, 19,  5, 20, 21,
         6, 22, 23,  7, 24, 25,  8, 26, 27,  9, 28, 29])