如何用Numpy构建秩数组？秩数组定义及作业示例解析

嘿，我来帮你搞定这个Numpy作业问题！先从老师给的示例入手，搞清楚什么是「秩数组」，再一步步实现函数。

先把老师给的示例输入输出摆出来，咱们拆解分析：

示例输入：

import numpy as np
A = np.array([[9, 4, 15, 0, 18], [16, 19, 8, 10, 1]])

示例输出：

[[4 2 6 0 8]
 [7 9 3 5 1]]

把输入数组的所有元素抽出来，按升序排列得到：[0, 1, 4, 8, 9, 10, 15, 16, 18, 19]。现在看输入里的每个元素，替换成它在这个排序数组中的索引位置（从0开始计数）：

• 9在排序数组里是第4个元素（索引4）→ 输出对应位置是4
• 4是第2个元素（索引2）→ 输出对应位置是2
• 0是第0个元素→ 输出保持0
• 以此类推，完全匹配示例的输出。

所以这里的秩数组定义很明确：将原数组中的每个元素，替换为它在整个数组所有元素升序排列后的索引值，最终得到和原数组形状、尺寸完全一致的新数组。

我们可以用Numpy的内置函数高效实现，避免低效循环，步骤如下：

1. 将原数组展平为一维数组，方便统一处理所有元素；
2. 用np.argsort()获取展平数组排序后的索引位置；
3. 创建和展平数组同形状的秩数组，给排序后的位置依次赋值0、1、2…n-1；
4. 将秩数组重塑回原数组的形状，返回结果。

完整代码：

import numpy as np

def rank_calculator(A):
    # 展平原数组为一维
    flat_A = A.flatten()
    # 获取排序后的索引（每个元素在排序后的位置）
    sorted_indices = np.argsort(flat_A)
    # 初始化秩数组
    rank_array = np.zeros_like(flat_A)
    # 给排序后的位置分配对应的索引值
    rank_array[sorted_indices] = np.arange(len(flat_A))
    # 重塑为原数组形状并返回
    return rank_array.reshape(A.shape)

用示例输入跑一遍：

A = np.array([[9, 4, 15, 0, 18], [16, 19, 8, 10, 1]])
print(rank_calculator(A))

输出结果完全符合老师给的示例：

[[4 2 6 0 8]
 [7 9 3 5 1]]

如果原数组中有重复元素，上面的实现会给重复元素分配不同的秩（序数秩，按元素出现顺序排序后的位置）。如果需要给重复元素分配相同的秩（稠密秩），可以用np.unique()的return_inverse参数实现：

def dense_rank_calculator(A):
    flat_A = A.flatten()
    # 获取唯一值及其逆映射（每个元素对应唯一值的索引）
    _, inverse = np.unique(flat_A, return_inverse=True)
    return inverse.reshape(A.shape)

比如输入np.array([[4,4,2]])，这个函数会返回[[1 1 0]]，而之前的序数秩实现会返回[[1 2 0]]。

内容的提问来源于stack exchange，提问作者captaingb