- 하나 이상의 키를 기준으로 데이터를 정렬하는 상황이 많음
- EX) A로 정렬한 다음 B로 정렬 (간접 정렬)
argsort
import numpy as np
arr = np.random.randn(3, 5)
arr
# array([[ 1.19150081, -1.39283864, -0.65707704, -0.62087326, -2.04337546],
# [ 1.78060301, -2.08695138, -0.07934292, 0.4884494 , -0.21521199],
# [ 0.33917024, -1.96489678, -0.41936347, 0.16890563, -0.74344259]])
# 첫 번째 로우을 기준으로 나머지 로우도 다 같이 정렬
arr2 = arr[:, arr[0].argsort()]
# array([[-2.04337546, -1.39283864, -0.65707704, -0.62087326, 1.19150081],
# [-0.21521199, -2.08695138, -0.07934292, 0.4884494 , 1.78060301],
# [-0.74344259, -1.96489678, -0.41936347, 0.16890563, 0.33917024]])
# 위의 결과를 역순으로
arr2[:, ::-1]
# array([[ 1.19150081, -0.62087326, -0.65707704, -1.39283864, -2.04337546],
# [ 1.78060301, 0.4884494 , -0.07934292, -2.08695138, -0.21521199],
# [ 0.33917024, 0.16890563, -0.41936347, -1.96489678, -0.74344259]])lexsort
first_name = np.array(["Bob", "Jane", "Steve", "Bill", "Barbara"])
last_name = np.array(["Jones", "Arnold", "Arnold", "Jones", "Walters"])
sorter = np.lexsort([first_name, last_name])
sorter
# array([1, 2, 3, 0, 4], dtype=int64)
last_name[sorter], first_name[sorter]
# (array(['Arnold', 'Arnold', 'Jones', 'Jones', 'Walters'], dtype='<U7'),
# array(['Jane', 'Steve', 'Bill', 'Bob', 'Barbara'], dtype='<U7'))- lexsort는 나중에 넘겨준 배열을 우선적으로 정렬을 수행
- last name으로 정렬 후 동일한 결과에 대해서 first_name으로 정렬
partition
np.random.seed(12345)
arr = np.random.randn(20)
arr
# array([-0.20470766, 0.47894334, -0.51943872, -0.5557303 , 1.96578057,
# 1.39340583, 0.09290788, 0.28174615, 0.76902257, 1.24643474,
# 1.00718936, -1.29622111, 0.27499163, 0.22891288, 1.35291684,
# 0.88642934, -2.00163731, -0.37184254, 1.66902531, -0.43856974])
# 반환된 결과의 첫 세 원소는 해당 배열에서 가장 작은 값
np.partition(arr, 3)
# array([-2.00163731, -1.29622111, -0.5557303 , -0.51943872, -0.37184254,
# -0.43856974, -0.20470766, 0.28174615, 0.76902257, 0.47894334,
# 1.00718936, 0.09290788, 0.27499163, 0.22891288, 1.35291684,
# 0.88642934, 1.39340583, 1.96578057, 1.66902531, 1.24643474])
# argsort와 유사하게 해당 원소의 위치를 반환
np.argpartition(arr, 3)
# array([16, 11, 3, 2, 17, 19, 0, 7, 8, 1, 10, 6, 12, 13, 14, 15, 5,
# 4, 18, 9], dtype=int64)- partition은 정렬을 하는 배열의 가장 작은 n개의 원소가 반환 결과의 앞에 오도록 정렬
searchsorted
arr = np.array([0, 1, 7, 12, 15])
arr.searchsorted(9)
# 3
arr.searchsorted([0, 8, 11, 16])
# array([0, 3, 3, 5], dtype=int64)
arr = np.array([0, 0, 0, 1, 1, 1, 1])
arr.searchsorted([0, 1])
# array([0, 3], dtype=int64)- 정렬된 배열에서 이진 탐색을 수행해 새로운 값을 삽입할 때 정렬된 상태를 유지하는 위치를 반환
- 동일한 값은 그룹의 왼쪽에서부터 색인을 반환
- CPU, GPU 또는 기타 하드웨어를 이용해서 NumPy와 유사한 데이터를 다루는 빠른 함수를 제공
- 파이썬 코드를 기계 코드를 변환하기 위해 LLVM 프로젝트를 사용
- 모든 파이썬 코드를 컴파일할 수는 없지만 많은 부분을 지원하며 산술 알고리즘을 작성하는 경우 특히 유용
import numpy as np
import numba as nb
# @nb.jit
def mean_distance(x, y):
nx = len(x)
result = 0.0
count = 0
for i in range(nx):
result += x[i] - y[i]
count += 1
return result / count
x = np.random.randn(10000000)
y = np.random.randn(10000000)
%time mean_distance(x, y)
# Wall time: 5.31 s, 0.00018234538368696598
numba_mean_distance = nb.jit(mean_distance)
%time numba_mean_distance(x, y)
# Wall time: 766 ms, 0.00018234538368696598- 위의 경우에는 거의 6 ~ 7배 만큼 시간을 단축한 것을 볼 수 있음
- numba.jit 함수를 이용해서 컴파일된 Numba 함수로 바꿀 수 있으며 기존의 함수위에 @nb.jit이라는 decorator를 사용해도 동일한 효과를 얻을 수 있음