Skip to main content
 首页 » 编程设计

python之基于两个目标对数组进行排序

2025年05月04日15tuyile006

我有一个向量列表(每个向量只包含 0 或 1):

In [3]: allLabelPredict    
Out[3]: array([[ 0.,  0.,  0., ...,  0.,  0., 1.], 
       [ 0.,  0.,  0., ...,  0.,  0.,  1.], 
       [ 0.,  0.,  0., ...,  0.,  0.,  1.], 
       ..., 
       [ 0.,  0.,  0., ...,  0.,  0.,  0.], 
       [ 0.,  0.,  0., ...,  0.,  0.,  1.], 
       [ 0.,  0.,  0., ...,  0.,  0.,  1.]]) 
 
In [4]: allLabelPredict.shape   
Out[4]: (5000, 190) 

如您所见,我有 190 个不同的向量,每个向量都是一个分类器的结果,现在我想根据每个向量与原始标签的接近程度来选择其中一些输出

In [7]: myLabel 
Out[7]: array([ 0.,  0.,  0., ...,  1.,  1.,  1.]) 
 
In [8]: myLabel.shape 
Out[8]: (5000,) 

为此,我为每个向量定义了两个不同的标准;零汉明距离和一汉明距离。

“一个汉明距离”:等于“1”的 myLabel 子数组与每个向量的子数组之间的汉明距离(我已经创建了每个向量的子数组根据“myLabel”的索引从每个向量中选择值,其中值为“1”)

“零汉明距离”:等于“0”的 myLabel 子数组与每个向量的子数组之间的汉明距离(我已经创建了每个向量的子数组根据“myLabel”的索引从每个向量中选择值,其中值为“0”)

为了更清楚,举个小例子:

MyLabel [1,1,1,1,0,0,0,0]    
V1 [1,1,0,1,0,0,1,1]    
sub-array1 [1,1,0,1] 
sub-array0 [0,0,1,1] 
 
"zero Hamming Distance": hamming(sub-array0, MyLabel[4:]) 
 
"one Hamming Distance": hamming(sub-array1, MyLabel[:4]) 

现在我想根据 "One Hamming Distance" 从 'allLabelPredict' 中选择一些向量,并且 “零汉明距离”

我想选择那些具有最小 "One Hamming Distance" 和 “零汉明距离”。 (至少我的意思是这个向量的两个标准都是最低的)

如果上述要求不可能,我怎么能做这种总是首先基于“一个汉明距离”排序然后尝试最小化“零汉明距离”的排序

请您参考如下方法:

好的,首先我根据 myLabel 中的值将整个 allLabelPredict 分成两个子数组:

import numpy as np 
 
allLabelPredict = np.random.randint(0, 2, (5000, 190)) 
myLabel = np.random.randint(0, 2, 5000) 
 
sub0 = allLabelPredict[myLabel==0] 
sub1 = allLabelPredict[myLabel==1] 
 
ham0 = np.abs(sub0 - 0).mean(0) 
ham1 = np.abs(sub1 - 1).mean(0) 
hamtot = np.abs(allLabelPredict - myLabel[:, None]).mean(0)  # if they're not split 

这与 scipy.spatial.distance.hamming 相同,但一次只能应用于一个向量:

>>> np.allclose(scipy.spatial.distance.hamming(allLabelPredict[:,0], myLabel), 
...             np.abs(allLabelPredict[:,0] - myLabel).mean(0)) 
True 

现在,ham 数组中的索引将成为 allLabelPredict 数组第二轴中的索引。如果您想按汉明距离对向量进行排序:

sortby0 = allLabelPredict[:, ham0.argsort()] 
sortby1 = allLabelPredict[:, ham1.argsort()] 

或者如果你想要最低的零(或一个)汉明,你会看看

best0 = allLabelPredict[:, ham0.argmin()] 
best1 = allLabelPredict[:, ham1.argmin()] 

或者,如果你想要最低的一个汉明,零汉明接近 0.1,你可以这样说

hamscore = (ham0 - 0.1)**2 + ham1**2 
best = allLabelPredict[:, hamscore.argmin()]