通過上一節的學習，我們可以了解到一部分矩陣中元素的計算和查找操作。然而在日常使用中，對應元素的索引也是非常重要的。依然，讓我們先從一個腳本開始 ：
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() 兩個函數分別對應著求矩陣中最小元素和最大元素的索引。相應的，在矩陣的12個元素中，最小值即2，對應索引0，最大值為13，對應索引為11。
如果需要計算統計中的均值，可以利用下面的方式，將整個矩陣的均值求出來：
#如果需要計算統計中的均值，可以利用下面的方式，將整個矩陣的均值求出來：print(np.mean(A)) # 7.5print(np.average(A)) # 7.5#仿照著前一節中dot() 的使用法則，mean()函數還有另外一種寫法：print(A.mean()) # 7.5#同樣的，我們可以寫出求解中位數的函數print(np.median(A)) # 7.5#另外，和matlab中的cumsum()累加函數類似，Numpy中也具有cumsum()函數，其用法如下：print(np.cumsum(A)) # [2 5 9 14 20 27 35 44 54 65 77 90]#相應的有累差運算函數：print(np.diff(A))#這個函數將所有非零元素的行與列坐標分割開，重構成兩個分別關于行和列的矩陣。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]])#矩陣的轉置有兩種表示方法：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]])新聞熱點
疑難解答
