Python中np.argmax()函數(shù)用法示例

更新時間：2022年12月22日 14:43:35 作者：m0_64931900

np.argmax是用于取得數(shù)組中每一行或者每一列的的最大值,常用于機器學習中獲取分類結果、計算精確度等,下面這篇文章主要給大家介紹了關于Python中np.argmax()函數(shù)用法的相關資料,需要的朋友可以參考下

前言

np.argmax是用于取得數(shù)組中每一行或者每一列的的最大值。常用于機器學習中獲取分類結果、計算精確度等。

函數(shù)：numpy.argmax(array, axis)

array：代表輸入數(shù)組；axis：代表對array取行（axis=0）或列（axis=1）的最大值。

一、一維數(shù)組的用法

x = np.arange(12)                    # [ 0  1  2  3  4  5  6  7  8  9 10 11]
index = np.argmax(x)                 
print("1 dimension test:",index)     # 11

運算后，降一維，成為一個數(shù)值，11的索引值維11，所以運算結果為：11

二、二維數(shù)組的用法

# 0代表對行進行最大值選取，此時對每一列進行操作
x = np.arange(12).reshape(3,4)
print(x)
index = np.argmax(x,axis = 0)
print("2 dimension test, axis = 0:",index)
 
# 輸出結果：
# x：[[ 0  1  2  3]
#     [ 4  5  6  7]
#     [ 8  9 10 11]]
# 2 dimension test, axis = 0:[2 2 2 2]
 
# 1代表對列進行最大值選取，此時對每一行進行操作
x = np.arange(12).reshape(3,4)
index = np.argmax(x,axis = 1)
print("2 dimension test, axis = 1:",index)
 
# 輸出結果：
# 2 dimension test, axis = 1:[3 3 3]

（1）遵循運算之后降一維的原則，因此返回的會是一個一維的array。

（2）函數(shù)返回的是最大值的索引，而不是最大值本身。

（3）另一種理解思路：0：外層；1：內(nèi)層。axis的取值為0和1，剝掉對應的中括號，將里面的內(nèi)容直接按逗號分隔。

例：x=[[ 0 1 2 3][ 4 5 6 7][ 8 9 10 11]]是一個（3,4）的矩陣，當axis=0時，剝掉3，返回一個（1,3）的矩陣；在axis=1時，剝掉4，返回一個（1,3）的矩陣。

析：當axis=0時，剝掉外層---->[0 1 2 3]
[4 5 6 7 ]
[8 9 10 11]

[argmax(0,4,8), argmax(1,5,9), argmax(2,6,10),argmax(3,7,11)]
# 輸出：[2,2,2,2]

當axis=1時，剝掉內(nèi)層---->[0 1 2 3
4 5 6 7
8 9 10 11]

[argmax(0,1,2,3), argmax(4,5,6,7), argmax(8,9,10,11)],
# 輸出：[3,3,3]

三、三維數(shù)組的用法

一個m×n×p維的矩陣：

axis為0，舍去m，返回一個 n×p 維的矩陣
axis為1，舍去n，返回一個 m×p 維的矩陣
axis為2，舍去p，返回一個 m×n 維的矩陣

# 三維向量測試
# 0代表進入第一個[]內(nèi)進行對比
x = np.arange(24).reshape(2,3,4)
x[1,0,3] = 1
# x =
# [[[ 0  1  2  3]
#   [ 4  5  6  7]
#   [ 8  9 10 11]]
 
#  [[12 13 14  1]
#   [16 17 18 19]
#   [20 21 22 23]]]
index = np.argmax(x,axis = 0)
print("3 dimension test, axis = 0:",index)
# 當axis=0時，進入第一個[]內(nèi)進行對比，此時x剩下兩部分。
#  [[ 0  1  2  3]
#   [ 4  5  6  7]
#   [ 8  9 10 11]]
 
#  [[12 13 14  1]
#   [16 17 18 19]
#   [20 21 22 23]]
# 兩部分格式相同，將剩下的兩部分每一個單位進行對比，對比結果為
#  [[1  1  1  0]
#   [1  1  1  1]
#   [1  1  1  1]]
# 除去我設置的特殊位置外，其他位置均為第二部分大。
 
# 三維向量測試
# 1代表進入第二個[]內(nèi)進行對比
# x =
# [[[ 0  1  2  3]
#   [ 4  5  6  7]
#   [ 8  9 10 11]]
 
#  [[12 13 14  1]
#   [16 17 18 19]
#   [20 21 22 23]]]
index = np.argmax(x,axis = 1)
print("3 dimension test, axis = 1:",index)
# 當axis=1時，進入第二個[]內(nèi)進行對比。
# [ [ 0  1  2  3]
#   [ 4  5  6  7]
#   [ 8  9 10 11]
 
#   [12 13 14  1]
#   [16 17 18 19]
#   [20 21 22 23] ]
# 對于第二個[]內(nèi)的內(nèi)容而言，均剩下三部分，我特意將兩個第二個[]內(nèi)的內(nèi)容分開更容易辨認
# 第一個是
#   [ 0  1  2  3]
#   [ 4  5  6  7]
#   [ 8  9 10 11]
# 第二個是
#   [12 13 14  1]
#   [16 17 18 19]
#   [20 21 22 23]
# 都是第三行的值最大，所以輸出結果為
#  [[ 2  2  2  2]
#   [ 2  2  2  2]]
 
# 三維向量測試
# 2代表進入第三個[]內(nèi)進行對比
x = np.arange(24).reshape(2,3,4)
x[1,0,3] = 1
# x =
# [[[ 0  1  2  3]
#   [ 4  5  6  7]
#   [ 8  9 10 11]]
 
#  [[12 13 14  1]
#   [16 17 18 19]
#   [20 21 22 23]]]
index = np.argmax(x,axis = 2)
print("3 dimension test, axis = 2:",index)
# 當axis=2時，進入第三個[]內(nèi)進行對比。
# [[  0  1  2  3
#     4  5  6  7
#     8  9 10 11 ]
#  [ 12 13 14  1
#    16 17 18 19
#    20 21 22 23 ]]
# 對于第三個[]內(nèi)的內(nèi)容而言，均剩下四部分，我特意將六個第三個[]內(nèi)的內(nèi)容分開更容易辨認
# 第一個是
# 0  1  2  3
# 第二個是
# 4  5  6  7
# ……
# 最后對比結果為
#  [[ 3  3  3 ]
#   [ 2  3  3 ]]