numpy：获取二维数组最小值的列和行索引

Question

例如，

x = array([[1,2,3],[3,2,5],[9,0,2]])
some_func(x) gives (2,1)

我知道可以通过自定义函数来做到这一点：

def find_min_idx(x):
    k = x.argmin()
    ncol = x.shape[1]
    return k/ncol, k%ncol

但是，我想知道是否有一个numpy内置函数可以更快地完成此任务。

谢谢。

编辑：感谢您的答案。我测试了它们的速度，如下所示：

%timeit np.unravel_index(x.argmin(), x.shape)
#100000 loops, best of 3: 4.67 µs per loop

%timeit np.where(x==x.min())
#100000 loops, best of 3: 12.7 µs per loop

%timeit find_min_idx(x) # this is using the custom function above
#100000 loops, best of 3: 2.44 µs per loop

似乎自定义函数实际上比unravel_index（）和where（）更快。unravel_index（）的功能与自定义函数相似，另外还要检查额外参数。where（）能够返回多个索引，但是对于我而言，它的速度明显慢。纯粹的python代码执行两个简单的算术并没有那么慢，而自定义函数方法却可以做到最快。

Answer 1

您可以使用np.where：

In [9]: np.where(x == np.min(x))
Out[9]: (array([2]), array([1]))

就像评论中提到的@senderle一样，要获取数组中的值，您可以使用np.argwhere：

In [21]: np.argwhere(x == np.min(x))
Out[21]: array([[2, 1]])

更新：

正如OP的时间所显示的那样，并且需要更加清晰argmin（没有重复的分钟数等），我认为可以稍微改善OP的原始方法的一种方法是使用divmod：

divmod(x.argmin(), x.shape[1])

对它们进行计时，您会发现额外的速度点虽然不多，但仍然有所改进。

%timeit find_min_idx(x)
1000000 loops, best of 3: 1.1 µs per loop

%timeit divmod(x.argmin(), x.shape[1])
1000000 loops, best of 3: 1.04 µs per loop

如果您真的很关心性能，可以看看 cython 。