Python numpy.argmax() 函数详解：一维、二维及三维数组应用
本文详细解析Python中numpy.argmax()函数的用法。通过一维、二维及三维数组的示例，深入讲解axis参数（0和1）如何影响最大值索引的返回结果。该函数在机器学习分类结果获取及精确度计算中应用广泛，帮助开发者准确理解数组维度的变化与索引对应关系。
前言
np.argmax()函数主要用于提取数组中每一行或每一列的最大值索引。在机器学习领域，它常用于获取分类预测结果或计算模型精确度等场景。
函数定义：numpy.argmax(array, axis)
其中，array表示输入的数组对象；axis参数指定沿哪个轴查找最大值。当axis=0时，对每一列进行操作；当axis=1时，对每一行进行操作。
一、一维数组的应用
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运算结果会降为一维，直接返回一个数值。例如，对于包含元素11的数组，其索引值为11，因此运算结果即为11。
二、二维数组的应用
# 0代表对行进行最大值选取，此时对每一列进行操作
x = np.arange(12).reshape(3,4)
print(x)
index = np.argmax(x,axis = 0)
print("2 dimension test, axis = 0:",index)
# 输出结果：
# x：[[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
# 2 dimension test, axis = 0:[2 2 2 2]
# 1代表对列进行最大值选取，此时对每一行进行操作
x = np.arange(12).reshape(3,4)
index = np.argmax(x,axis = 1)
print("2 dimension test, axis = 1:",index)
# 输出结果：
# 2 dimension test, axis = 1:[3 3 3]（1）遵循降维原则，运算后返回的是一维数组。
（2）函数返回的是最大值的索引位置，而非最大值本身。
（3）另一种理解方式：axis=0代表外层（行方向），axis=1代表内层（列方向）。axis取值0或1时，可理解为剥去对应层级的中括号，将剩余内容按逗号分隔处理。
示例：x=[[ 0 1 2 3][ 4 5 6 7][ 8 9 10 11]]是一个形状为（3,4）的矩阵。当axis=0时，相当于剥去外层维度3，返回一个形状为（1,3）的索引数组；当axis=1时，剥去内层维度4，同样返回一个形状为（1,3）的索引数组。
解析：当axis=0时，处理逻辑为剥去外层括号，即对每一列的最大值索引进行统计： [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)]
# 输出：[2,2,2,2]当axis=1时，处理逻辑为剥去内层括号，即对每一行的最大值索引进行统计： [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)],
# 输出：[3,3,3]三、三维数组的应用
对于一个m×n×p维度的矩阵：
- 若axis为0，则舍去m维度，返回一个 n×p 维度的矩阵索引；
- 若axis为1，则舍去n维度，返回一个 m×p 维度的矩阵索引；
- 若axis为2，则舍去p维度，返回一个 m×n 维度的矩阵索引。
# 三维向量测试
# 0代表进入第一个[]内进行对比
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)
# 当axis=0时，进入第一个[]内进行对比，此时x剩下两部分。
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
# [[12 13 14 1]
# [16 17 18 19]
# [20 21 22 23]]
# 两部分格式相同，将剩下的两部分每一个单位进行对比，对比结果为
# [[1 1 1 0]
# [1 1 1 1]
# [1 1 1 1]]
# 除去我设置的特殊位置外，其他位置均为第二部分大。
# 三维向量测试
# 1代表进入第二个[]内进行对比
# 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)
# 当axis=1时，进入第二个[]内进行对比。
# [ [ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]
# [12 13 14 1]
# [16 17 18 19]
# [20 21 22 23] ]
# 对于第二个[]内的内容而言，均剩下三部分，我特意将两个第二个[]内的内容分开更容易辨认
# 第一个是
# [ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]
# 第二个是
# [12 13 14 1]
# [16 17 18 19]
# [20 21 22 23]
# 都是第三行的值最大，所以输出结果为
# [[ 2 2 2 2]
# [ 2 2 2 2]]
# 三维向量测试
# 2代表进入第三个[]内进行对比
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)
# 当axis=2时，进入第三个[]内进行对比。
# [[ 0 1 2 3
# 4 5 6 7
# 8 9 10 11 ]
# [ 12 13 14 1
# 16 17 18 19
# 20 21 22 23 ]]
# 对于第三个[]内的内容而言，均剩下四部分，我特意将六个第三个[]内的内容分开更容易辨认
# 第一个是
# 0 1 2 3
# 第二个是
# 4 5 6 7
# ……
# 最后对比结果为
# [[ 3 3 3 ]
# [ 2 3 3 ]]参考：numpy模块中axis的理解——以np.argmax为例
【Python数据清洗】np.argmax()函数用法解析
总结
至此，关于Python中np.argmax()函数的用法介绍完毕。如需了解更多相关Python np.argmax()函数内容，请搜索本站历史文章或继续浏览后续相关文章。感谢大家的支持！
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
