Не вижу ничего плохого в результате, распечатайте vec[np.arange(4)[:, np.newaxis], np.argsort(-vec, axis=1)] и убедитесь, что он выглядит хорошо.

Это второй результат Google для «неправильный np argsort».

Объяснение на странице документов непонятно (мне). Я добавлю свое собственное объяснение здесь в надежде, что оно кому-то поможет:

x = numpy.array([1.48,1.31,0.0,0.8])
print x.argsort()

>[2 3 1 0]

Некоторые люди могут ожидать , что это вместо этого даст [3, 2, 0, 1] , т. е. 0-й элемент в несортированном массиве должен быть 3-м элементом в отсортированном массиве.

На самом деле он предоставляет такие индексы, что x[np.argsort(x)] даст вам отсортированный список, т.е. [0.0, 0.8, 1.31, 1.48] . Иными словами, [2 3 1 0] говорит вам, что 0-й элемент отсортированного массива является 2-м элементом несортированного массива.

Если вы действительно хотите получить [3, 2, 0, 1] в качестве вывода, вы можете вместо этого сделать

np.argsort(np.argsort(x))
>[3 2 0 1]

В качестве альтернативы, если вы просто действительно нестандартны, как я, и хотите, скажем, только индексы 3 самых больших элементов в x :

np.argsort(x)[:-4:-1]
>[0, 1, 3]

Если вы действительно хотите получить [3, 2, 0, 1] в качестве вывода, вы можете вместо этого сделать

Это будет быстрее:

a = np.empty(len(x), np.intp)
a[np.argsort(x)] = np.arange(len(x))

9880 предлагает добавить это в numpy как np.invert_permutation(np.argsort(x))

@rossbar , @bjnath : Возможно, стоит извлечь материал из комментария @ghost выше и поместить его в документы? Я добавил еще несколько перекрестных ссылок, чтобы показать больше примеров путаницы.