MATLAB sort() vs Numpy argsort() - 如何匹配结果？

Question

我正在将 MATLAB 代码移植到 Python 的 Numpy。

在 MATLAB（实际上是 Octave）中，我有类似的东西：

>> someArr = [9, 8, 7, 7]
>> [~, ans] = sort(someArr, 'descend')
   ans =
   1   2   3   4

所以在 Numpy 我正在做：

>>> someArr = np.array([9, 8, 7, 7])
>>> np.argsort(someArr)[::-1]
array([0, 1, 3, 2])

我在 MATLAB 中得到1, 2, 3, 4而在 Numpy 上得到0, 1, 3, 2 ，而我在 Numpy 上需要0, 1, 2, 3 。

我相信这是由于每个函数中使用的排序算法，但我检查过，看起来两者都在使用“快速排序”（参见此处和此处）。

如何将 Numpy 的解决方案与 MATLAB 的解决方案相匹配？

Answer 1

为了使这项工作有效，我们需要稍微聪明一点。 numpy没有'descend'类似物。 您通过反转排序结果来模仿它（最终您要撤消操作）。

我不确定matlab如何完成它，但是他们声称使用了quicksort的稳定变体 。 具体来说，对于降序排序：

如果标志为“下降”，则在返回输出之前将其反转。 反转之后，我们对索引向量进行了排序以恢复稳定性。

octave似乎在这里也一样。

由于它们的排序是稳定的，因此可以保证输入中相等值的顺序将保留在输出中。 另一方面， numpy对其numpy并没有这样的保证。 如果我们想在numpy中进行稳定排序，则需要使用mergesort ：

>>> np.argsort(someArr, kind='mergesort')
array([2, 3, 1, 0])

好的，此输出很有意义。 someArr[2] == someArr[3]并且第三个元素在第四个元素之前，因此明智的做法是在输出中2会在3之前（如果没有保证的稳定排序算法，我们无法提出此主张）。 现在是明智的一步……您想要“降序”值，而不是反转argsort的输出，为什么不argsort反呢？ 与降序排序相比，这将产生比低序排序更大的数字排序的效果...

>>> np.argsort(-someArr, kind='quicksort')
array([0, 1, 2, 3])

现在我们在说话！ 而且由于可以保证mergesort是稳定的，因此出现在较低索引处的元素（具有相等值）将首先出现在输出中-就像matlab / octave一样。 真好

Answer 2

您可以选择不同的排序算法。 将其更改为heapsort对我heapsort ：

>> np.argsort(someArr, kind="heapsort")[::-1]
array([0, 1, 2, 3], dtype=int32)

编辑：这仅适用于我看过的几个测试用例。 对于[9, 8, 7, 7, 4, 1, 1]它停止工作。 我的答案可能不是一个好的解决方案。

Answer 3

尝试这个

np.argsort(dataset,axis=-1,kind='stable')