• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Herramientas
    • Método D’Hondt – Atribución de escaños
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • Python
  • Pandas
  • NumPy
  • Matlab
  • Julia
  • Excel
  • IA Generativa

NumPy: Obtener los índices de los máximos de un vector

septiembre 7, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

NumPy

Para ordenar los elementos de un vector de NumPy existe el método sort(). Pero, en algunas ocasiones, puede que esto no sea los necesario, sino los índices de los máximos o mínimos de un vector. Por ejemplo, para seleccionar los elementos asociados en otro vector. En estas ocasiones se puede recurrir al método argsort() con el cual se puede obtener justamente este resultado.

El método argsort()

En NumPy el método argsort() tiene la siguiente forma

np.argsort(arr, axis=-1, kind=None, order=None)

en donde:

  • arr: un array o matriz compatible con NumPy
  • axis: el eje sobre el que se realiza la ordenación, por defecto es el ultimo eje, -1, y si se indica None la matriz se ordenará como si fuese un vector.
  • kind: una cadena de texto con el método de ordenación que se desea emplear.
  • order: solamente se usa en vectores con campos definidos para indicar el orden por el que se ordenan los elementos.

El método también está disponible como propiedad en todas las matrices de NumPy, donde no es necesario indicar la matriz.

Publicidad


Uso básico de argsort()

Al llamar a argsort() se obtiene un vector con los indices que ordenaría los elementos de este en orden ascendente. Lo que se puede usar para ordenar un vector tal como se muestra a continuación

Consistencia en nombres y orden en TypeScript: la base de un código mantenible aplicado a tslane
En Analytics Lane
Consistencia en nombres y orden en TypeScript: la base de un código mantenible aplicado a tslane

import numpy as np

arr = np.array([7, 1, 6, 3, 9, 2, 4, 5, 8])

arr.argsort()      # [1, 5, 3, 6, 7, 2, 0, 8, 4]
arr[arr.argsort()] # [1, 2, 3, 4, 5, 6, 7, 8, 9]

En este ejemplo se puede ver que el método argsort() indica que el primer elemento del vector ordenado es aquel que se sitúa en la posición correspondiente al índice 1, que en este caso es 1. El segundo es el situado en índice 5, el cual se puede comprobar que es el 5. Así hasta el último que el 4 correspondiente al 9.

Otra cosa que se puede ver en el ejemplo es al usar el resultado en el vector original se consigue esté ordenado en orden ascendente.

Obtener los índices de los máximos del vector

El método únicamente devuelve los índices que ordenan el vector en orden ascendente, no existe actualmente una opción con la que se pueda cambiar el orden. Aunque esto es algo que se puede solucionar de una manera sencilla: aplicando el método a un vector con el signo cambiado. Con lo que es posible ordenar el vector en orden ascendente tal como se muestra en el siguiente ejemplo.

(-arr).argsort()      # [4, 8, 0, 2, 7, 6, 3, 5, 1]
arr[(-arr).argsort()] # [9, 8, 7, 6, 5, 4, 3, 2, 1]

Ahora, en caso de que solamente sean necesarios los primeros N índices no hay más que seleccionar estos. Lo que se puede hacer tanto para obtener los máximos como los mínimos. Algo que se puede ver en el siguiente ejemplo.

Publicidad


Conclusiones

Hoy hemos visto cómo se puede usar el método argsort() de NumPy para obtener los índices con los que ordenar los elementos de un vector. A pesar de que solamente devuelve los índices para producir el resultado en orden ascendente, con un pequeño truco se pueden obtener estos en orden descendente. Un método que también se puede utilizar para ordenar matrices por filas o columnas o en base a operaciones como sumas.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 3 / 5. Votos emitidos: 1

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Consistencia en nombres y orden en TypeScript: la base de un código mantenible aplicado a tslane
  • Análisis de Redes con Python
  • Nuevo calendario de publicaciones: más calidad, mejor ritmo
  • Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Publicaciones de verano 2025: los trucos más populares, ahora en vídeo
  • Cómo enviar correos desde PowerShell utilizando Brevo: Guía paso a paso para automatizar tus notificaciones
  • Nueva herramienta disponible: Calculadora del Método D’Hondt para la atribución de escaños
  • Cómo enviar correos desde Python utilizando Brevo: Automatiza tus notificaciones con scripts eficientes

Publicado en: Python Etiquetado como: NumPy

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

¡Nuevo video! Gráficos de barras en Matplotlib sin complicarte

julio 17, 2025 Por Daniel Rodríguez

¡Nuevo video! Iterar filas en Pandas sin romperte la cabeza

julio 15, 2025 Por Daniel Rodríguez

¡Nuevo video! Encuentra la posición en listas como un PRO

julio 10, 2025 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Obtención de valores únicos de una columna con Pandas publicado el mayo 8, 2019 | en Python
  • Cómo encontrar la posición de elementos en una lista de Python publicado el abril 12, 2021 | en Python
  • Combinar varios archivos Jupyter Notebook en uno publicado el noviembre 21, 2022 | en Python
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • pandas Pandas: Cómo iterar sobre las filas de un DataFrame en Pandas publicado el septiembre 13, 2021 | en Python

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.5 (10)

Diferencias entre var y let en JavaScript

Publicidad

Comentarios recientes

  • Piera en Ecuaciones multilínea en Markdown
  • Daniel Rodríguez en Tutorial de Mypy para Principiantes
  • Javier en Tutorial de Mypy para Principiantes
  • javier en Problemas con listas mutables en Python: Cómo evitar efectos inesperados
  • soldado en Numpy básico: encontrar la posición de un elemento en un Array de Numpy

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2025 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto