问题描述

如果对数组求反，则最低的元素变为最高的元素，反之亦然。因此，n最高元素的索引是：

(-avgDists).argsort()[:n]

如评论中所述，对此进行推理的另一种方法是观察大元素在argsort中排在最后 。因此，您可以从argsort的末尾读取以找到n最高的元素：

avgDists.argsort()[::-1][:n]

这两种方法的时间复杂度均为 O（n log n） ，因为在此argsort调用是主要项。但是第二种方法有一个很好的优点：它将数组的 O（n） 取反替换为 O（1） 切片。如果在循环中使用小型数组，则避免这种求反可能会获得一些性能提升；如果使用大型数组，则可以节省内存使用量，因为这种否定会创建整个数组的副本。

请注意，这些方法并不总是给出相等的结果：如果要求稳定的排序实现（argsort例如，通过传递关键字parameter）kind='mergesort'，则第一个策略将保留排序稳定性，但是第二个策略将破坏稳定性（即，位置相等）项目将被撤消）。

使用100个浮点和30个尾巴的小阵列，视图方法的速度提高了约15％

>>> avgDists = np.random.rand(100)
>>> n = 30
>>> timeit (-avgDists).argsort()[:n]
1.93 µs ± 6.68 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
>>> timeit avgDists.argsort()[::-1][:n]
1.64 µs ± 3.39 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)
>>> timeit avgDists.argsort()[-n:][::-1]
1.64 µs ± 3.66 ns per loop (mean ± std. dev. of 7 runs, 1000000 loops each)

对于较大的阵列，argsort占主导地位，并且没有明显的时序差异

>>> avgDists = np.random.rand(1000)
>>> n = 300
>>> timeit (-avgDists).argsort()[:n]
21.9 µs ± 51.2 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
>>> timeit avgDists.argsort()[::-1][:n]
21.7 µs ± 33.3 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)
>>> timeit avgDists.argsort()[-n:][::-1]
21.9 µs ± 37.1 ns per loop (mean ± std. dev. of 7 runs, 10000 loops each)

请注意，以下来自nedim的评论不正确。在反转之前或之后进行截断在效率上没有区别，因为这两个操作都只是以不同的方式跨越阵列视图，而实际上并未复制数据。

解决方法

avgDists = np.array([1,8,6,9,4])
ids = avgDists.argsort()[:n]