开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> Python知识库 -> numpy模块总结二 -> 正文阅读

[Python知识库]numpy模块总结二

1. numpy中数组/矩阵的转置

转置是数组/矩阵的一种变换，简单的说就是在数组/矩阵对角线方向交换数据。

1.1 交换轴的位置 t.swapaxes(axis1,axis0)

import numpy as np

a = np.array(range(1, 19), dtype=int).reshape(3, 6)
print("3行6列的矩阵为:\n", a)

a1 = a.swapaxes(1, 0)
print("转置后得到a1:\n", a1)

执行结果：
	3行6列的矩阵为:
		 [[ 1  2  3  4  5  6]
		 [ 7  8  9 10 11 12]
		 [13 14 15 16 17 18]]
	转置后得到a1:
		 [[ 1  7 13]
		 [ 2  8 14]
		 [ 3  9 15]
		 [ 4 10 16]
		 [ 5 11 17]
		 [ 6 12 18]]

1.2 转置方法一 t.transpose()

import numpy as np

a = np.array(range(1, 19), dtype=int).reshape(3, 6)
print("3行6列的矩阵为:\n", a)

a2 = a.transpose()
print("转置后得到a2:\n", a2)

执行结果：
	3行6列的矩阵为:
		 [[ 1  2  3  4  5  6]
		 [ 7  8  9 10 11 12]
		 [13 14 15 16 17 18]]

	转置后得到a2:
		 [[ 1  7 13]
		 [ 2  8 14]
		 [ 3  9 15]
		 [ 4 10 16]
		 [ 5 11 17]
		 [ 6 12 18]]

1.3 转置方法二 t.T

import numpy as np

a = np.array(range(1, 19), dtype=int).reshape(3, 6)
print("3行6列的矩阵为:\n", a)

a3 = a.T
print("转置后得到a3:\n", a3)

执行结果：
	3行6列的矩阵为:
		 [[ 1  2  3  4  5  6]
		 [ 7  8  9 10 11 12]
		 [13 14 15 16 17 18]]

	转置后得到a3:
		 [[ 1  7 13]
		 [ 2  8 14]
		 [ 3  9 15]
		 [ 4 10 16]
		 [ 5 11 17]
		 [ 6 12 18]]

2. numpy中数组/矩阵的索引和切片

2.1 取数组/矩阵中的一行/一列

import numpy as np

a = np.array(range(1, 19), dtype=int).reshape(3, 6)
print("3行6列的矩阵为:\n", a)

#a1 = a[1,:]
a1 = a[1]
print("取一行得到的结果:\n", a1)

a2 = a[:, 1]
print("取一列得到的结果:\n", a2)


执行结果：
	3行6列的矩阵为:
		 [[ 1  2  3  4  5  6]
		 [ 7  8  9 10 11 12]
		 [13 14 15 16 17 18]]
	取一行得到的结果:
		 [ 7  8  9 10 11 12]
	取一列得到的结果:
		 [ 2  8 14]

2.2 连续取数组/矩阵中的多行/多列

import numpy as np

a = np.array(range(1, 19), dtype=int).reshape(3, 6)
print("3行6列的矩阵为:\n", a)

#a1 = a[1:3,:]
a1 = a[1:3]
print("取多行得到的结果:\n", a1)

a2 = a[:, 1:3]
print("取多列得到的结果:\n", a2)

执行结果:
	3行6列的矩阵为:
		 [[ 1  2  3  4  5  6]
		 [ 7  8  9 10 11 12]
		 [13 14 15 16 17 18]]
	取一行得到的结果:
		 [[ 7  8  9 10 11 12]
		 [13 14 15 16 17 18]]
	取一列得到的结果:
		 [[ 2  3]
		 [ 8  9]
		 [14 15]]

2.3 取数组/矩阵中不连续的多行/多列

import numpy as np

a = np.array(range(1, 19), dtype=int).reshape(3, 6)
print("3行6列的矩阵为:\n", a)

# a1 = a[[0,2],:]
a1 = a[[0, 2]]
print("取不连续多行得到的结果:\n", a1)

a2 = a[:, [0, 2, 5]]
print("取不连续多列得到的结果:\n", a2)

执行结果:
	3行6列的矩阵为:
		 [[ 1  2  3  4  5  6]
		 [ 7  8  9 10 11 12]
		 [13 14 15 16 17 18]]
	取不连续多行得到的结果:
		 [[ 1  2  3  4  5  6]
		 [13 14 15 16 17 18]]
	取不连续多列得到的结果:
		 [[ 1  3  6]
		 [ 7  9 12]
		 [13 15 18]]

2.4 取单行、单列的交点

import numpy as np

a = np.array(range(1, 19), dtype=int).reshape(3, 6)
print("3行6列的矩阵为:\n", a)

a1 = a[1, 2]
print("取不连续多行得到的结果:\n", a1)
print(type(a1))

执行结果:
	3行6列的矩阵为:
		 [[ 1  2  3  4  5  6]
		 [ 7  8  9 10 11 12]
		 [13 14 15 16 17 18]]
	取不连续多行得到的结果:
		 9
		<class 'numpy.int32'>

2.5 取多行、多列的交点

import numpy as np

a = np.array(range(1, 19), dtype=int).reshape(3, 6)
print("3行6列的矩阵为:\n", a)

a1 = a[0:2, 1:4]
print("取连续多行、多列交叉区域得到的结果:\n", a1)
print(type(a1))

执行结果:
	3行6列的矩阵为:
		 [[ 1  2  3  4  5  6]
		 [ 7  8  9 10 11 12]
		 [13 14 15 16 17 18]]
	取连续多行、多列交叉区域得到的结果:
		 [[ 2  3  4]
		 [ 8  9 10]]
		<class 'numpy.ndarray'>

2.6 取不连续多行、多列的相交点

import numpy as np

a = np.array(range(1, 19), dtype=int).reshape(3, 6)
print("3行6列的矩阵为:\n", a)

a1 = a[[0,2,1], [1,3,5]]
print("取不连续多行、多列交叉点得到的结果:\n", a1)
print(type(a1))

执行结果:
	3行6列的矩阵为:
		 [[ 1  2  3  4  5  6]
		 [ 7  8  9 10 11 12]
		 [13 14 15 16 17 18]]
	取不连续多行、多列交叉点得到的结果:
		 [ 2 16 12]
		<class 'numpy.ndarray'>

3. numpy中数组/矩阵中元素值的修改

3.1 修改数组/矩阵单个元素值、某行、某列的值

import numpy as np

a = np.array(range(1, 19), dtype=int).reshape(3, 6)
print("3行6列的矩阵为:\n", a)

a[0, :] = 999999
print("修改第0行的值得到的结果:\n", a)
a[:, 0:2] = 0
print("修改第0列、第1列的值得到的结果:\n", a)
a[0,0]=6666666
print("修改单个元素的值得到的结果：\n",a)

执行结果:
	3行6列的矩阵为:
		 [[ 1  2  3  4  5  6]
		 [ 7  8  9 10 11 12]
		 [13 14 15 16 17 18]]
	修改第0行的值得到的结果:
		 [[999999 999999 999999 999999 999999 999999]
		 [     7      8      9     10     11     12]
		 [    13     14     15     16     17     18]]
	修改第0列、第1列的值得到的结果:
		 [[     0      0 999999 999999 999999 999999]
		 [     0      0      9     10     11     12]
		 [     0      0     15     16     17     18]]
	修改单个元素的值得到的结果：
		 [[6666666       0  999999  999999  999999  999999]
		 [      0       0       9      10      11      12]
		 [      0       0      15      16      17      18]]

3.2 根据条件修改数组/矩阵中元素的值

3.2.1 一般条件

import numpy as np

a = np.array(range(1, 19), dtype=int).reshape(3, 6)
print("3行6列的矩阵为:\n", a)

a[a > 3] = 0
print("根据修改条件得到的结果:\n", a)

执行结果：
	3行6列的矩阵为:
		 [[ 1  2  3  4  5  6]
		 [ 7  8  9 10 11 12]
		 [13 14 15 16 17 18]]
	根据修改条件得到的结果:
		 [[1 2 3 0 0 0]
		 [0 0 0 0 0 0]
		 [0 0 0 0 0 0]]

3.2.2 三元条件

a1 = np.where(条件,赋值1,赋值2)  # 如果条件成立，符合条件
								 # 的元素赋值为“赋值1”，不
								 # 符合条件的赋值为“赋值2”

import numpy as np

a = np.array(range(1, 19), dtype=int).reshape(3, 6)
print("3行6列的矩阵为:\n", a)

a1 = np.where(a < 7, 0, 7)
print("根据三元修改条件得到的结果:\n", a1)

执行结果:
	3行6列的矩阵为:
		 [[ 1  2  3  4  5  6]
		 [ 7  8  9 10 11 12]
		 [13 14 15 16 17 18]]
	根据三元修改条件得到的结果:
		 [[0 0 0 0 0 0]
		 [7 7 7 7 7 7]
		 [7 7 7 7 7 7]]

3.3 数组/矩阵的布尔索引

import numpy as np

a = np.array(range(1, 19), dtype=int).reshape(3, 6)
print("3行6列的矩阵为:\n", a)

a1 = a < 9
print("a的布尔索引:\n", a1)
print(a1.dtype)

执行结果:
	3行6列的矩阵为:
		 [[ 1  2  3  4  5  6]
		 [ 7  8  9 10 11 12]
		 [13 14 15 16 17 18]]
	a的布尔索引:
		 [[ True  True  True  True  True  True]
		 [ True  True False False False False]
		 [False False False False False False]]
		 bool

3.4 numpy中的裁剪clip()

函数原型：

numpy.clip(a, a_min, a_max, out=None)
	# 此函数作用是将a中的元素的值限制在a_min 到 a_max之间，输出结果传给out

函数调用方法：
此函数的调用方法有多种

import numpy as np

a = np.array(range(1, 19), dtype=int).reshape(3, 6)
print("3行6列的矩阵为:\n", a)

# 将裁剪后的结果赋值给a1
a1 = a.clip(3, 9)
print("a.clip(3, 9)的结果为:\n",a1)

# 将裁剪后的结果赋值给a2
a2 = np.clip(a,3,9)
print("np.clip(a,3,9)的结果为:\n",a2)

# 将裁剪后的结果仍然赋值给a
np.clip(a,3,9,out=a)
print("np.clip(a,3,9,out=a)的结果:\n", a)

执行结果:
	3行6列的矩阵为:
		 [[ 1  2  3  4  5  6]
		 [ 7  8  9 10 11 12]
		 [13 14 15 16 17 18]]
	a.clip(3, 9)的结果为:
		 [[3 3 3 4 5 6]
		 [7 8 9 9 9 9]
		 [9 9 9 9 9 9]]
	np.clip(a,3,9)的结果为:
		 [[3 3 3 4 5 6]
		 [7 8 9 9 9 9]
		 [9 9 9 9 9 9]]
	np.clip(a,3,9,out=a)的结果:
		 [[3 3 3 4 5 6]
		 [7 8 9 9 9 9]
		 [9 9 9 9 9 9]]

4. numpy中的nan和inf

4.1 概念

（1）nan(NAN or Nan):not a number，表示不是一个数字。
numpy中出现nan的情况：
（1.1）读取本地文件为float的时候，如果有缺失，就会出现nan。
（1.2）做了一个不合适的计算的时候，比如无穷大减去无穷大。

（2）inf (-inf or inf):infinity，inf表示正无穷，-inf表示负无穷。
numpy中出现inf的情况：
（2.1）比如一个数字除以0。

4.2 指定nan或者inf

import numpy as np

b = np.nan
print(b)
print(type(b))

c = np.inf
print(c)
print(type(c))

4.3 numpy中nan的注意点

（1）两个nan是不相等的。

print(np.nan != np.nan)

执行结果:
	True

（2）利用（1）的特性可以判断数组/矩阵中nan的个数。

import numpy as np

a = np.array(range(1, 19), dtype=float).reshape(3, 6)
print("3行6列的矩阵为:\n", a)

# 注意：在给数组/矩阵中的元素赋nan时，要统一元素的数据类型为float
a[0:2,0:2]=np.nan
print("赋值nan后的结果:\n",a)
print("a中nan的个数为:\n",np.count_nonzero(a!=a))

执行结果:
	3行6列的矩阵为:
		 [[ 1.  2.  3.  4.  5.  6.]
		 [ 7.  8.  9. 10. 11. 12.]
		 [13. 14. 15. 16. 17. 18.]]
	赋值nan后的结果:
		 [[nan nan  3.  4.  5.  6.]
		 [nan nan  9. 10. 11. 12.]
		 [13. 14. 15. 16. 17. 18.]]
	a中nan的个数为: 4

（3）使用 np.isnan(a) 判断某个数字是否为nan。

import numpy as np

a = np.array(range(1, 19), dtype=float).reshape(3, 6)
print("3行6列的矩阵为:\n", a)

# 判断数组/矩阵中的元素是否为nan，并对数值为nan的元素进行操作
a[a < 4] = np.nan
print("元素赋值为nan后的结果:\n",a)

a[np.isnan(a)] = 1
print("判断a中元素的值是否为nan，并将值为nan的元素赋值为1:\n",a)

# 单一数据赋值为nan
b = np.nan
print(np.isnan(b))

执行结果:
	3行6列的矩阵为:
		 [[ 1.  2.  3.  4.  5.  6.]
		 [ 7.  8.  9. 10. 11. 12.]
		 [13. 14. 15. 16. 17. 18.]]
	元素赋值为nan后的结果:
		 [[nan nan nan  4.  5.  6.]
		 [ 7.  8.  9. 10. 11. 12.]
		 [13. 14. 15. 16. 17. 18.]]
	判断a中元素的值是否为nan，并将值为nan的元素赋值为1:
		 [[ 1.  1.  1.  4.  5.  6.]
		 [ 7.  8.  9. 10. 11. 12.]
		 [13. 14. 15. 16. 17. 18.]]
	True

（4）nan和任何值计算都得nan。

5. numpy中常用的统计函数

(1)求和:t.sum(axis=None)
(2)均值:t.mean(a,axis=None)
(3)中值:np.median(t,axis=None)
(4)最大值:t.max(axis=None)
(5)最小值:t.min(axis=None)
(6)极值:np.ptp(t,axis=None),即最大值与最小值只差
(7)标准差:t.std(axis=None)，不加axis的话默认返回所有元素的标准差，
							加axis的话返回某一axis方向的标准差。

import numpy as np

a = np.array(range(1, 19), dtype=float).reshape(3, 6)
print("3行6列的矩阵为:\n", a)

print("求和:",a.sum(axis=0))
print("最大值:",a.max(axis=0))
print("最小值:",a.min(axis=0))
print("均值:",a.mean(axis=0))
print("中值:",np.median(a,axis=0))
print("极值:",np.ptp(a,axis=0))
print("标准差:",a.std(axis=0))

执行结果:
	3行6列的矩阵为:
		 [[ 1.  2.  3.  4.  5.  6.]
		 [ 7.  8.  9. 10. 11. 12.]
		 [13. 14. 15. 16. 17. 18.]]
		 
	求和: [21. 24. 27. 30. 33. 36.]
	最大值: [13. 14. 15. 16. 17. 18.]
	最小值: [1. 2. 3. 4. 5. 6.]
	均值: [ 7.  8.  9. 10. 11. 12.]
	中值: [ 7.  8.  9. 10. 11. 12.]
	极值: [12. 12. 12. 12. 12. 12.]
	标准差: [4.89897949 4.89897949 4.89897949 4.89897949 4.89897949 4.89897949]

6.数组/矩阵的拼接、分割

6.1 数组/矩阵的拼接

6.1.1 竖直拼接

import numpy as np

a = np.array(range(1, 19), dtype=int).reshape(3, 6)
print("a:\n", a)

b = np.array(range(10, 190, 10), dtype=int).reshape(3, 6)
print("b:\n", b)

v_ab = np.vstack((a, b))
print("竖直拼接:\n", v_ab)

执行结果:
	a:
		[[ 1  2  3  4  5  6]
		 [ 7  8  9 10 11 12]
		 [13 14 15 16 17 18]]
	b:
		 [[ 10  20  30  40  50  60]
		 [ 70  80  90 100 110 120]
		 [130 140 150 160 170 180]]
	竖直拼接:
		 [[  1   2   3   4   5   6]
		 [  7   8   9  10  11  12]
		 [ 13  14  15  16  17  18]
		 [ 10  20  30  40  50  60]
		 [ 70  80  90 100 110 120]
		 [130 140 150 160 170 180]]

6.1.2 水平拼接

import numpy as np

a = np.array(range(1, 19), dtype=int).reshape(3, 6)
print("a:\n", a)

b = np.array(range(10, 190, 10), dtype=int).reshape(3, 6)
print("b:\n", b)

h_ab = np.hstack((a,b))
print("水平拼接:\n", h_ab)

执行结果:
	a:
		[[ 1  2  3  4  5  6]
		 [ 7  8  9 10 11 12]
		 [13 14 15 16 17 18]]
	b:
		 [[ 10  20  30  40  50  60]
		 [ 70  80  90 100 110 120]
		 [130 140 150 160 170 180]]
	水平拼接:
		 [[  1   2   3   4   5   6  10  20  30  40  50  60]
		 [  7   8   9  10  11  12  70  80  90 100 110 120]
		 [ 13  14  15  16  17  18 130 140 150 160 170 180]]

6.2 数组/矩阵的分割

6.2.1 水平分割hsplit()

函数原型：

hsplit(ary, indices_or_sections)
		# ary表示待分割数组/矩阵
		# indices_or_sections为一个整数或列表，表示将数组/矩阵分割
		# 成几份或根据列表中的位置分割成几份。

import numpy as np

a = np.array(range(1, 19), dtype=int).reshape(3, 6)
print("a:\n", a)

# 将数组/矩阵a沿着水平方向(axis=1)平均分成2份即2个数组/矩阵
b, c = np.hsplit(a, 2)
print("分割后的结果:")
print("b:\n", b)
print("c:\n", c)

# 将数组/矩阵a根据分割位置[2,3,4]分割成4份即4个数组/矩阵
d, e, f ,g= np.hsplit(a, [2, 3, 4])
print("分割后的结果:")
print("d:\n", d)
print("e:\n", e)
print("f:\n", f)
print("g:\n", g)

执行结果:
		a:
			 [[ 1  2  3  4  5  6]
 			[ 7  8  9 10 11 12]
 			[13 14 15 16 17 18]]
		分割后的结果:
			b:
			 	[[ 1  2  3]
 				[ 7  8  9]
			 	[13 14 15]]
			c:
			 	[[ 4  5  6]
 				[10 11 12]
 				[16 17 18]]
		分割后的结果:
			d:
 				[[ 1  2]
 				[ 7  8]
 				[13 14]]
			e:
 				[[ 3]
 				[ 9]
 				[15]]
			f:
 				[[ 4]
 				[10]
 				[16]]
			g:
 				[[ 5  6]
 				[11 12]
 				[17 18]]

6.2.2 垂直分割vsplit()

函数原型：

vsplit(ary, indices_or_sections)
		# ary表示待分割数组/矩阵
		# indices_or_sections为一个整数或列表，表示将数组/矩阵分割
		# 成几份或根据列表中的位置分割成几份。

import numpy as np

a = np.array(range(1, 25), dtype=int).reshape(4, 6)
print("a:\n", a)

# 将数组/矩阵a沿着水平方向(axis=1)平均分成2份即2个数组/矩阵
b, c = np.vsplit(a, 2)
print("分割后的结果:")
print("b:\n", b)
print("c:\n", c)

# 将数组/矩阵a根据分割位置[2,3,4]分割成4份即4个数组/矩阵
d, e, f, g = np.vsplit(a, [1, 2, 3])
print("分割后的结果:")
print("d:\n", d)
print("e:\n", e)
print("f:\n", f)
print("g:\n", g)

执行结果:
		a:
 			[[ 1  2  3  4  5  6]
 			[ 7  8  9 10 11 12]
 			[13 14 15 16 17 18]
 			[19 20 21 22 23 24]]
		分割后的结果:
			b:
 				[[ 1  2  3  4  5  6]
 				[ 7  8  9 10 11 12]]
			c:
 				[[13 14 15 16 17 18]
 				[19 20 21 22 23 24]]
		分割后的结果:
			d:
 				[[1 2 3 4 5 6]]
			e:
 				[[ 7  8  9 10 11 12]]
			f:
 				[[13 14 15 16 17 18]]
			g:
 				[[19 20 21 22 23 24]]

6.2.3 指定轴分割split()

函数原型：

split(ary, indices_or_sections, axis=0)
		# ary表示待分割的数组/矩阵。
		# indeices_or_sections表示整数或列表，可选参数。
		# axis表示轴即分割方向，可选参数。

import numpy as np

a = np.array(range(1, 25), dtype=int).reshape(4, 6)
print("a:\n", a)

# 将数组/矩阵a沿着水平方向(axis=0)平均分成2份即2个数组/矩阵
b, c = np.split(a, 2, axis=0)
print("分割后的结果:")
print("b:\n", b)
print("c:\n", c)

# 将数组/矩阵a根据分割位置[2,3,4],沿着axis=1方向分割成4份即4个数组/矩阵
d, e, f, g = np.split(a, [1, 2, 3], axis=1)
print("分割后的结果:")
print("d:\n", d)
print("e:\n", e)
print("f:\n", f)
print("g:\n", g)

执行结果:
		a:
 			[[ 1  2  3  4  5  6]
			[ 7  8  9 10 11 12]
 			[13 14 15 16 17 18]
 			[19 20 21 22 23 24]]
		分割后的结果:
			b:
 				[[ 1  2  3  4  5  6]
 				[ 7  8  9 10 11 12]]
			c:
 				[[13 14 15 16 17 18]
 				[19 20 21 22 23 24]]
		分割后的结果:
			d:
 				[[ 1]
 				[ 7]
 				[13]
 				[19]]
			e:
 				[[ 2]
 				[ 8]
 				[14]
 				[20]]
			f:
 				[[ 3]
 				[ 9]
 				[15]
 				[21]]
			g:
 				[[ 4  5  6]
 				[10 11 12]
 				[16 17 18]
 				[22 23 24]]

6.2.4 深度分割dsplit()

深度分割的作用是将三维数组/矩阵沿着axis=2方向分割成若干个子数组/矩阵。

import numpy as np

a = np.array(range(1, 25), dtype=int).reshape(2, 3, 4)
print("a:\n", a)

# 将数组/矩阵a沿着axis=2)方向分成4个数组/矩阵
# b, c, d, e = np.dsplit(a, 4)
b, c, d, e = np.dsplit(a, [1, 2, 3])
print("分割后的结果:")
print("b:\n", b)
print("c:\n", c)
print("d:\n", d)
print("e:\n", e)

执行结果:
		a:
 			[[[ 1  2  3  4]
  			[ 5  6  7  8]
  			[ 9 10 11 12]]

 			[[13 14 15 16]
  			[17 18 19 20]
  			[21 22 23 24]]]
		分割后的结果:
			b:
 				[[[ 1]
  				[ 5]
  				[ 9]]

 				[[13]
  				[17]
  				[21]]]
			c:
 				[[[ 2]
  				[ 6]
  				[10]]

 				[[14]
  				[18]
  				[22]]]
			d:
 				[[[ 3]
  				[ 7]
  				[11]]

 				[[15]
  				[19]
  				[23]]]
			e:
 				[[[ 4]
  				[ 8]
  				[12]]

 				[[16]
  				[20]
  				[24]]]

7. 数组/矩阵行列交换

import numpy as np

a = np.array(range(1, 25), dtype=int).reshape(4, 6)
print("a:\n", a)

a[[1, 2], :] = a[[2, 1], :]
print("交换后的结果:")
print("a:\n", a)

执行结果:
	a:
 		[[ 1  2  3  4  5  6]
 		[ 7  8  9 10 11 12]
 		[13 14 15 16 17 18]
 		[19 20 21 22 23 24]]
	交换后的结果:
	a:
 		[[ 1  2  3  4  5  6]
 		[13 14 15 16 17 18]
 		[ 7  8  9 10 11 12]
 		[19 20 21 22 23 24]]

8. numpy其它实用方法

（1）获取最大、最小值的下标索引：
（1.1）np.argmax(t, axis=0)
（1.2）np.argmin(t, axis=0)
（2）创建元素均为0的数组/矩阵np.zeros((3,4),dtype=int)
（3）创建元素均为1的数组/矩阵np.ones((3,4),dtype=int)
（4）创建对角线元素为1的单位矩阵np.eye(3)

import numpy as np

a = np.array(range(1, 25), dtype=int).reshape(4, 6)
print("a:\n", a)
print("求axis=0方向的最大值的下标索引\n", np.argmax(a, axis=0))
print("求axis=1方向的最小值的下标索引:\n", np.argmin(a, axis=1))
print("创建全0数组/矩阵\n", np.zeros((3, 4), dtype=int))
print("创建全1数组/矩阵:\n", np.ones((3, 4), dtype=int))
print("创建单位矩阵:\n", np.eye(3, dtype=int))

执行结果:
	a:
 		[[ 1  2  3  4  5  6]
 		[ 7  8  9 10 11 12]
 		[13 14 15 16 17 18]
 		[19 20 21 22 23 24]]
 		
	求axis=0方向的最大值的下标索引
 		[3 3 3 3 3 3]
 		
	求axis=1方向的最小值的下标索引:
 		[0 0 0 0]
 		
	创建全0数组/矩阵
 		[[0 0 0 0]
 		[0 0 0 0]
 		[0 0 0 0]]
 		
	创建全1数组/矩阵:
 		[[1 1 1 1]
 		[1 1 1 1]
 		[1 1 1 1]]
 		
	创建单位矩阵:
 		[[1 0 0]
 		[0 1 0]
 		[0 0 1]]

9. numpy 生成随机数

参数	解释
np.random.rand(维度)	创建xxx维度的均匀分布的随机数组，浮点数，范围0~1
np.random.randn(维度)	创建xxx维度的标准正态分布随机数组，浮点数，平均数0，标准差1
np.random.randint(low,high,(shape))	从给定的上下限的范围内随机选取整数，low下限，high上限，（shape）形状/维度
np.random.uniform(low,high,(size))	产生具有均匀分布的数组，low起始值，high结束值，（size)形状/维度
np.random.normal(loc,scale,(size))	从指定正态分布中随机抽取样本，分布中心loc，标准差scale，（size）形状/维度
np.random.seed(种子值)	随机数种子。因为计算机生成的是伪随机数，所以通过设定相同的随机数种子，可以每次生成相同的随机数。

import numpy as np

# 加上随机种子后，每次产生的随机数可以保持不变
np.random.seed(10)
print("均匀分布随机数组:\n",np.random.rand(3,4))
print("给定上下限的整数随机数组:\n",np.random.randint(1,10,(3,3)))
print("标准正态随机数组:\n",np.random.randn(3,3))
print("均匀分布随机数组:\n",np.random.uniform(1,10,(3,3)))
print("正态分布中随机抽取样本，设置分布中心、标准差、形状:\n",np.random.normal(0,1,(3,4)))

执行结果:
	均匀分布随机数组:
 		[[0.77132064 0.02075195 0.63364823 0.74880388]
 		[0.49850701 0.22479665 0.19806286 0.76053071]
 		[0.16911084 0.08833981 0.68535982 0.95339335]]
	给定上下限的整数随机数组:
 		[[7 9 2]
 		[9 5 2]
 		[4 7 6]]
	标准正态随机数组:
 		[[-1.13660221  0.13513688  1.484537  ]
 		[-1.07980489 -1.97772828 -1.7433723 ]
 		[ 0.26607016  2.38496733  1.12369125]]
	均匀分布随机数组:
 		[[8.24700877 5.69482437 9.17783993]
 		[3.8731248  1.81413414 3.70630051]
 		[2.02585926 8.45813194 1.42206687]]
	正态分布中随机抽取样本，设置分布中心、标准差、形状:
 		[[ 1.67262221  0.80705192  2.14180538 -0.49561818]
 		[ 0.52563742 -0.38964647  0.9372965  -0.8169742 ]
 		[ 1.01961544 -0.34143633  0.7512814  -0.36225179]]