我就廢話不多說了，還是直接看程式碼吧！

#! conding:utf-8

def quick_index(array,start,end):
 left,right = start,end
 key = array[left]
 while left < right:
  while left < right and array[right] > key:
   right -= 1
  array[left] = array[right]
  while left < right and array[left] < key:
   left += 1
  array[right] = array[left]

 array[left] = key
 return left


def min_num(array,m):
 start,end = 0,len(array) - 1
 index = quick_index(array,end)
 while index != m:
  if index < m:
   index = quick_index(array,index+1,end)
  else:
   index = quick_index(array,index)

 print(array[:m])

if __name__ == '__main__':
 alist = [15,54,26,93,17,77,31,44,55,20]

 min_num(alist,5)

補充知識：python numpy 求top-k accuracy指標

top-k acc表示在多分類情況下取最高的k類得分的label，與真實值匹配，只要有一個label match，結果就是True。

如對於一個有5類的多分類任務

a_real = 1
a_pred = [0.02,0.23,0.35,0.38,0.02]

#top-1 
a_pred_label = 3 match = False
#top-3
a_pred_label_list = [1,2,3] match = True

對於top-1 accuracy

sklearn.metrics提供accuracy的方法，能夠直接計算得分，但是對於topk-acc就需要自己實現了：

#5類：0，1，2，3，4
import numpy as np
a_real = np.array([[1],[2],[1],[3]])
#用隨機數代替分數
random_score = np.random.rand((4,5))
a_pred_score = random_score / random_score.sum(axis=1).reshape(random_score.shape[0],1)

k = 3 #top-3
#以下是計算方法
max_k_preds = a_pred_score.argsort(axis=1)[:,-k:][:,::-1] #得到top-k label
match_array = np.logical_or.reduce(max_k_preds==a_real,axis=1) #得到匹配結果
topk_acc_score = match_array.sum() / match_array.shape[0]

以上這篇python 的topk演算法例項就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。