通过上一节的学习，我们可以了解到一部分矩阵中元素的计算和查找操作。然而在日常使用中，对应元素的索引也是非常重要的。依然，让我们先从一个脚本开始 ：
import numpy as npA = np.arange(2,14).reshape((3,4)) # array([[ 2, 3, 4, 5]# [ 6, 7, 8, 9]# [10,11,12,13]]) PRint(np.argmin(A)) # 0print(np.argmax(A)) # 11
其中的 argmin() 和 argmax() 两个函数分别对应着求矩阵中最小元素和最大元素的索引。相应的，在矩阵的12个元素中，最小值即2，对应索引0，最大值为13，对应索引为11。
如果需要计算统计中的均值，可以利用下面的方式，将整个矩阵的均值求出来：
#如果需要计算统计中的均值，可以利用下面的方式，将整个矩阵的均值求出来：print(np.mean(A)) # 7.5print(np.average(A)) # 7.5#仿照着前一节中dot() 的使用法则，mean()函数还有另外一种写法：print(A.mean()) # 7.5#同样的，我们可以写出求解中位数的函数print(np.median(A)) # 7.5#另外，和matlab中的cumsum()累加函数类似，Numpy中也具有cumsum()函数，其用法如下：print(np.cumsum(A)) # [2 5 9 14 20 27 35 44 54 65 77 90]#相应的有累差运算函数：print(np.diff(A))#这个函数将所有非零元素的行与列坐标分割开，重构成两个分别关于行和列的矩阵。print(A)print(np.nonzero(A))#排序sort()import numpy as npA = np.arange(14,2, -1).reshape((3,4)) # array([[14, 13, 12, 11],# [10, 9, 8, 7],# [ 6, 5, 4, 3]])print(np.sort(A)) # array([[11,12,13,14]# [ 7, 8, 9,10]# [ 3, 4, 5, 6]])#矩阵的转置有两种表示方法：print(np.transpose(A)) print(A.T)# array([[14,10, 6]# [13, 9, 5]# [12, 8, 4]# [11, 7, 3]])# array([[14,10, 6]# [13, 9, 5]# [12, 8, 4]# [11, 7, 3]])新闻热点
疑难解答
