MWE:

list1 = [2,5,46,23,9,78]
list1 = list(enumerate(list1))

现在假设我想通过索引1对该列表进行排序,即按原始列表1排序,例如按升序排序.我怎么做？

我想要一些可以给我索引和值的东西.

list2 = sorted(list1[1], key=float)

假设我有一个这样的数据框

df <- data.frame(x=c("This script outputs 10 visualizations.", 
                     "This script outputs 1 visualization.", 
                     "This script outputs 5 data files.", 
                     "This script outputs 1 data file.", 
                     "This script doesn't output any visualizations or data files", 
                     "This script outputs 9 visualizations and 28 data files.", 
                     "This script outputs 1 visualization and 1 data file."))

看起来像这样

                                                            x
1                      This script outputs 10 visualizations.
2                        This script outputs 1 visualization.
3                           This script outputs 5 data files.
4                            This script outputs 1 data file. …

假设我有这个矩阵

m <- matrix(1:9, 3, 3)

看起来像这样

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

我想将此矩阵放入具有特定列名称的数据框中。例如

col_names <- c("col1", "col2", "col3")

创建数据框时是否有一种简单的方法来给出这些列名称？

我的暂定解决方案

# This is how I want to create the data frame
df <- data.frame(m)

我希望我能说一些类似的话col.names=col_names。我尝试使用renamefrom 的函数dplyr，但无法使其在一行中工作

m %>% data.frame %>% {rename(., col_names=names(.))}

问题是它不允许我将向量解包为我认为的参数。有没有更好的办法？

重要的是：我想在创作时给出这些名字。不在新行中。可能，它应该发生在管道中

我读到R在矩阵中使用列优先存储，这意味着附近列中的元素存储在连续块或类似的东西中。这让我想知道：是按行填充矩阵更快（byrow=TRUE在基本 R 函数中使用matrix()）还是先按列填充矩阵（使用默认值byrow=FALSE）然后使用转置它更快t()？

我尝试对其进行基准测试。

按行填充矩阵

> microbenchmark(matrix(1, n, n, byrow=TRUE))
Unit: seconds
                          expr      min       lq     mean   median       uq      max neval
 matrix(1, n, n, byrow = TRUE) 1.047379 1.071353 1.105468 1.081795 1.112995 1.628675   100

按列填充矩阵然后转置它

> microbenchmark(t(matrix(1, n, n)))
Unit: seconds
               expr     min       lq     mean  median       uq      max neval
 t(matrix(1, n, n)) 1.43931 1.536333 1.692572 1.61793 1.726244 3.070821   100

结论

似乎按行填充矩阵更快！我错过了什么吗？我原以为这R只会做一些重新标记，t()但实际上比逐行填充矩阵要慢！

对此有解释吗？我很困惑。

观察

在 ThomasIsCoding 的回答和对自己进行了几次基准测试之后，它看起来取决于行数和列数。

• 行数 …

我看过Matrix包和他们的幻灯片。我试图理解课堂上争论背后的直觉和含义是什么dgCMatrix。我明白那个

\n
• @i给出矩阵中非零条目的从零开始的行索引.
\n
• @j给出矩阵中非零条目的从零开始的列索引.
\n
• @x给出该位置处的非零元素(i,j)。
\n

但是我不明白指针的含义@p。文档说​

\n

数字（整数值）指针向量，每一列（或行）一个，指向列（或行）中元素的初始（从零开始）索引。

\n

这信息不是很丰富。在同一页面的“详细信息”部分中，他们解释了更多信息

\n

如果缺少ior ，则必须是第一个元素为零的非递减整数向量。它提供行或列索引的压缩表示或 \xe2\x80\x9cpointer\xe2\x80\x9d 表示（以缺失者为准）。的扩展形式，其中, 用作（从 1 开始的）行或列索引。jpprep(seq_along(dp),dp)dp <- diff(p)

\n

这对我来说绝对是不直观的。有人可以简单解释一下p代表什么吗？我已经创建了一个最小工作示例，但请随意创建一个新示例。

最小工作示例

# Define non-zero values and their row/col indeces\ni_indeces <- c(1, 3, 4, 6, 8, 9)\nj_indeces <- c(2, 9, 6, 3, 9, 10)\nvalues …

我正在尝试在 Python 中实现Metropolis算法（Metropolis-Hastings 算法的更简单版本）。

这是我的实现：

def Metropolis_Gaussian(p, z0, sigma, n_samples=100, burn_in=0, m=1):
    """
    Metropolis Algorithm using a Gaussian proposal distribution.
    p: distribution that we want to sample from (can be unnormalized)
    z0: Initial sample
    sigma: standard deviation of the proposal normal distribution.
    n_samples: number of final samples that we want to obtain.
    burn_in: number of initial samples to discard.
    m: this number is used to take every mth sample at the end
    """
    # List of samples, check …

我想循环像:

for j in range(1,4) and for k in ['one', 'two', 'three']:
               print(str(j) + ' is written ' + k)

我试过and但它没有用.有人如何得到这种效果？

如果两个列表的长度不同,会发生什么？我怎么还能遍历它们呢？

我在一行中有一系列子图，所有子图共享相同的颜色条，我想使用plt.tight_layout().

然而，当天真地使用时，颜色条会把一切搞乱。幸运的是，我在 matplotlib 文档中找到了这一点，但它仅适用于一个子图。

最小工作示例

我尝试使其适应多个子图，但分配颜色条的子图最终变得更小。

import matplotlib.pyplot as plt 
from mpl_toolkits.axes_grid1 import make_axes_locatable
import numpy as np

plt.close('all')
arr = np.arange(100).reshape((10, 10))
fig, ax = plt.subplots(ncols=2, figsize=(8, 4))
im0 = ax[0].imshow(arr, interpolation="none")
im1 = ax[1].imshow(arr, interpolation='none')

divider = make_axes_locatable(plt.gca())
cax = divider.append_axes("right", "5%", pad="3%")
plt.colorbar(im0, cax=cax)

plt.tight_layout()

这就是结果的样子。