写在前面
1、本文是NumPy官方网站(http://www.numpy.org/)的快速入门教程（Quickstart tutorial）的完整翻译版本，原文地址是https://docs.scipy.org/doc/numpy/user/quickstart.html。适合新手上路。
2、原文代码使用python自带的IDE（IDLE）作为编辑器，但不利于代码整体复制粘贴，故作者除了贴出原文代码，还基于pycharm整合出了整体代码，使得看起来更方便，且符合PEP8标准。
—————————————–正文开始!——————————————-
快速入门教程
预备知识
在阅读本教程之前，您应该了解一些Python。如果您想要刷新您的记忆，请查看主页专栏的Python教程。
基础部分
NumPy的主要对象是同构多维数组（homogeneous multidimensional array），它是由同一类型元素组成的表（通常是数字）并由一个正整数元组索引。在NumPy中，维度（dimensions）称为轴（axes）。
举例来说，在3D空间中的一个点的坐标[1, 2, 1]有1个轴。该轴有3个元素，所以我们说这个轴的长度是3。下面的例子中，数组有2个轴。第一个轴长度为2，第二个轴长度为3。
[[ 1., 0., 0.],
[ 0., 1., 2.]]12
NumPy的数组类（array class）称为ndarray。它还有个别名array。要注意的是，numpy.array和python标准库的array.array类不同，后者只能处理1维素组，并且功能较少。ndarray对象的重要属性有:
ndarray.ndim
#数组的轴（维）数。
ndarray.shape
#数组的维度。它是一个表示每个维度尺寸的整数元组。对于一个n行m列的矩阵（matrix），shape是（n,m）。shape元组的长度也即是轴数，ndim。
ndarray.size
#数组的元素总数。它等于shape中的每个元素的乘积。
ndarray.dtype
#描述数组中元素类型的对象。可以使用标准Python类型创建或指定dtype。另外，NumPy提供了它自己的类型，如numpy.int32、numpy.int16 、numpy、float64等。
ndarray.itemsize
#数组中每个元素的字节数。例如，一个元素类型为float64的数组的itemsize为8(=64/8),元素类型为comples32的数组的itemsize为4(=32/8)。
它还等于ndarray.dtype.itemsize。
ndarray.data
#包含数组的实际元素的缓冲区。通常，我们不需要使用这个属性，因为我们将使用索引工具访问数组中的元素。
一些例子
官网源码：
>>> import numpy as np
>>> a = np.arange(15).reshape(3, 5)
>>> a
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
>>> a.shape
(3, 5)
>>> a.ndim
2
>>> a.dtype.name
'int64'
>>> a.itemsize
8
>>> a.size
15
>>> type(a)
<type 'numpy.ndarray'>
>>> b = np.array([6, 7, 8])
>>> b
array([6, 7, 8])
>>> type(b)
<type 'numpy.ndarray'>1234567891011121314151617181920212223
pycharm代码：
import numpy as np
a = np.arange(15).reshape(3, 5)
print('a is:\n', a)
print('--------------------')
print('a.shape is: ', a.shape)
print('--------------------')
print('a.ndim is: ', a.ndim)
print('--------------------')
print('a.dtype.name is:', a.dtype.name)
print('--------------------')
print('a.itemsize is: ', a.itemsize)
print('--------------------')
print('a.size is: ', a.size)
print('--------------------')
print('type(a) is: ', type(a))
print('--------------------')
b = np.array([6, 7, 8])
print('b is:\n', b)
print('--------------------')
print('type(b) is: ', type(b))1234567891011121314151617181920
输出结果
a is:
[[ 0 1 2 3 4]
[ 5 6 7 8 9]
[10 11 12 13 14]]
--------------------
a.shape is: (3, 5)
--------------------
a.ndim is: 2
--------------------
a.dtype.name is: int32
--------------------
a.itemsize is: 4
--------------------
a.size is: 15
--------------------
type(a) is: <class 'numpy.ndarray'>
--------------------
b is:
[6 7 8]
--------------------
type(b) is: <class 'numpy.ndarray'>123456789101112131415161718192021
生成数组
有多种途径生成数组。
例如，您可以使用数组函数(array function)从常规的Python列表或元组中创建。生成的数组类型由序列(即，列表或元组。译者注)中元素的类型推断出来。
官网代码：
>>> import numpy as np
>>> a = np.array([2,3,4])
>>> a
array([2, 3, 4])
>>> a.dtype
dtype('int64')
>>> b = np.array([1.2, 3.5, 5.1])
>>> b.dtype
dtype('float64')123456789
pycharm代码：
import numpy as np
a = np.array([2, 3, 4])
print(a)
print(a.dtype)
b = np.array([1.2, 3.5, 5.1])
print(b.dtype)123456
结果：
[2 3 4]
int32
float64123
调用array时应该以列表形式提供给array单一参数。有个常见的错误，就是用多个数字直接作为array的参数。
>>> a = np.array(1,2,3,4) # WRONG
>>> a = np.array([1,2,3,4]) # RIGHT12
array把序列的序列转化成2维的数组，把序列的序列的序列转化为3维的数组，以此类推
官方代码：
>>> b = np.array([(1.5,2,3), (4,5,6)])
>>> b
array([[ 1.5, 2. , 3. ],
[ 4. , 5. , 6. ]])1234
pycharm代码：
import numpy as np
b = np.array([(1.5, 2, 3), (4, 5, 6)])
print(b)123
结果：
[[1.5 2. 3. ]
[4. 5. 6. ]]12
可以在创建数组时显式地指定数据类型：
官方代码：
>>> c = np.array( [ [1,2], [3,4] ], dtype=complex )
>>> c
array([[ 1.+0.j, 2.+0.j],
[ 3.+0.j, 4.+0.j]])1234
pycharm代码：
import numpy as np
c = np.array([[1, 2], [3, 4]], dtype=complex)
print(c)123
[[1.+0.j 2.+0.j]
[3.+0.j 4.+0.j]]12
通常来说，数组元素最初是未知的，但尺寸是已知的。因此，NumPy提供了几个函数来创建带有初始占位符内容的数组。这些函数最小化了增大数组尺寸这种操作成本极高的需求。
函数zeros创建了一个全0的数组，函数ones创建了一个全1数组，而函数empty创建了一个初始内容是随机，依赖于内存的状态的数组(元素值都是极小的数字。译者注)。默认情况下，创建的数组的dtype是float64。
官方代码：
>>> np.zeros( (3,4) )
array([[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.],
[ 0., 0., 0., 0.]])
>>> np.ones( (2,3,4), dtype=np.int16 ) # dtype can also be specified
array([[[ 1, 1, 1, 1],
[ 1, 1, 1, 1],
[ 1, 1, 1, 1]],
[[ 1, 1, 1, 1],
[ 1, 1, 1, 1],
[ 1, 1, 1, 1]]], dtype=int16)
>>> np.empty( (2,3) ) # uninitialized, output may vary
array([[ 3.73603959e-262, 6.02658058e-154, 6.55490914e-260],
[ 5.30498948e-313, 3.14673309e-307, 1.00000000e+000]])1234567891011121314
pycharm代码：
import numpy as np
eg1 = np.zeros((3, 4))
print(eg1)
print('--------------------')
eg2 = np.ones((2, 3, 4), dtype=np.int16)
print(eg2)
print('--------------------')
eg3 = np.empty((2, 3))
print(eg3)123456789
[[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]
--------------------
[[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]
[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]]
--------------------
[[1.60216183e-306 7.56602523e-307 1.11258446e-306]
[6.23059726e-307 6.23060065e-307 1.50200974e-307]]1234567891011121314
为了创建数字序列，NumPy提供了一个类似于range这种返回数组而不是列表的函数。
官方代码：
>>> np.arange( 10, 30, 5 )
array([10, 15, 20, 25])
>>> np.arange( 0, 2, 0.3 ) # it accepts float arguments
array([ 0. , 0.3, 0.6, 0.9, 1.2, 1.5, 1.8])1234
pycharm代码：
import numpy as np
eg1 = np.arange(10, 30, 5)
print(eg1)
print(type(eg1))
eg2 = np.arange(0, 2, 0.3)
print(eg2)
print(type(eg2))1234567
[10 15 20 25]
<class 'numpy.ndarray'>
[0. 0.3 0.6 0.9 1.2 1.5 1.8]
<class 'numpy.ndarray'>1234
当arange的参数为浮点数时，因为浮点数精度有限，不太可能预测元素的数量。因此，使用linspace会比较好，linspace接收元素数量的参数。
官方代码：
>>> from numpy import pi
>>> np.linspace( 0, 2, 9 ) # 9 numbers from 0 to 2
array([ 0. , 0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])
>>> x = np.linspace( 0, 2*pi, 100 ) # useful to evaluate function at lots of points
>>> f = np.sin(x)12345
pycharm代码：
import numpy as np
eg1 = np.linspace(0, 2, 9)
print(eg1)
print('--------------------------------')
x = np.linspace(0, 2*np.pi, 10) # 原文要100个数，太多了，简化到10个
print(x)
print('--------------------------------')
f = np.sin(x)
print(f)123456789
[0. 0.25 0.5 0.75 1. 1.25 1.5 1.75 2. ]
----------------------
[0. 0.6981317 1.3962634 2.0943951 2.7925268 3.4906585
4.1887902 4.88692191 5.58505361 6.28318531]
----------------------
[ 0.00000000e+00 6.42787610e-01 9.84807753e-01 8.66025404e-01
3.42020143e-01 -3.42020143e-01 -8.66025404e-01 -9.84807753e-01
-6.42787610e-01 -2.44929360e-16]12345678
打印数组
当您打印一个数组时，NumPy以类似于嵌套列表的方式显示它，但是使用以下布局：
最后一个轴从左到右打印，
倒数第二个轴从上到下打印，
其余的部分也从上到下打印，每一块都由一条空的线隔开。
然后将一维数组打印为行，二维数组打印为矩阵，三维数组打印为矩阵列表。
官方原代码：
>>> a = np.arange(6) # 1d array
>>> print(a)
[0 1 2 3 4 5]
>>>
>>> b = np.arange(12).reshape(4,3) # 2d array
>>> print(b)
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
>>>
>>> c = np.arange(24).reshape(2,3,4) # 3d array
>>> print(c)
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]12345678910111213141516171819
pycharm代码：
import numpy as np
a = np.arange(6)
print('a:\n', a)
print('-----------------------')
b = np.arange(12).reshape(4, 3)
print('b:\n', b)
print('-----------------------')
c = np.arange(24).reshape(2, 3, 4)
print('c:\n', c)12345678910
a:
[0 1 2 3 4 5]
-----------------------
b:
[[ 0 1 2]
[ 3 4 5]
[ 6 7 8]
[ 9 10 11]]
-----------------------
c:
[[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]]1234567891011121314151617
看下面的内容以获得关于reshape的详情。
如果数组太大而无法打印，NumPy会自动跳过数组的中心部分，只打印边角:
官方原代码：
>>> print(np.arange(10000))
[ 0 1 2 ..., 9997 9998 9999]
>>>
>>> print(np.arange(10000).reshape(100,100))
[[ 0 1 2 ..., 97 98 99]
[ 100 101 102 ..., 197 198 199]
[ 200 201 202 ..., 297 298 299]
...,
[9700 9701 9702 ..., 9797 9798 9799]
[9800 9801 9802 ..., 9897 9898 9899]
[9900 9901 9902 ..., 9997 9998 9999]]1234567891011
pycharm代码：
import numpy as np
print(np.arange(10000))
print('-------------------------------------------')
print(np.arange(10000).reshape(100,100))12345
[ 0 1 2 ... 9997 9998 9999]
-------------------------------------------
[[ 0 1 2 ... 97 98 99]
[ 100 101 102 ... 197 198 199]
[ 200 201 202 ... 297 298 299]
...
[9700 9701 9702 ... 9797 9798 9799]
[9800 9801 9802 ... 9897 9898 9899]
[9900 9901 9902 ... 9997 9998 9999]]123456789
要禁用这种行为并强制NumPy打印整个数组，可以使用set_printoptions更改打印选项。
官方原代码：
>>> np.set_printoptions(threshold=np.nan)1
pycharm代码：
import numpy as np
print(np.arange(1001))
np.set_printoptions(threshold=np.nan)
print('---------------------------set to print all-------------------------------')
print(np.arange(1001))123456
[ 0 1 2 ... 998 999 1000]
---------------------------set to print all-------------------------------
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13
14 15 16 17 18 19 20 21 22 23 24 25 26 27
28 29 30 31 32 33 34 35 36 37 38 39 40 41
42 43 44 45 46 47 48 49 50 51 52 53 54 55
56 57 58 59 60 61 62 63 64 65 66 67 68 69
70 71 72 73 74 75 76 77 78 79 80 81 82 83
84 85 86 87 88 89 90 91 92 93 94 95 96 97
98 99 100 101 102 103 104 105 106 107 108 109 110 111
112 113 114 115 116 117 118 119 120 121 122 123 124 125
126 127 128 129 130 131 132 133 134 135 136 137 138 139
140 141 142 143 144 145 146 147 148 149 150 151 152 153
154 155 156 157 158 159 160 161 162 163 164 165 166 167
168 169 170 171 172 173 174 175 176 177 178 179 180 181
182 183 184 185 186 187 188 189 190 191 192 193 194 195
196 197 198 199 200 201 202 203 204 205 206 207 208 209
210 211 212 213 214 215 216 217 218 219 220 221 222 223
224 225 226 227 228 229 230 231 232 233 234 235 236 237
238 239 240 241 242 243 244 245 246 247 248 249 250 251
252 253 254 255 256 257 258 259 260 261 262 263 264 265
266 267 268 269 270 271 272 273 274 275 276 277 278 279
280 281 282 283 284 285 286 287 288 289 290 291 292 293
294 295 296 297 298 299 300 301 302 303 304 305 306 307
308 309 310 311 312 313 314 315 316 317 318 319 320 321
322 323 324 325 326 327 328 329 330 331 332 333 334 335
336 337 338 339 340 341 342 343 344 345 346 347 348 349
350 351 352 353 354 355 356 357 358 359 360 361 362 363
364 365 366 367 368 369 370 371 372 373 374 375 376 377
378 379 380 381 382 383 384 385 386 387 388 389 390 391
392 393 394 395 396 397 398 399 400 401 402 403 404 405
406 407 408 409 410 411 412 413 414 415 416 417 418 419
420 421 422 423 424 425 426 427 428 429 430 431 432 433
434 435 436 437 438 439 440 441 442 443 444 445 446 447
448 449 450 451 452 453 454 455 456 457 458 459 460 461
462 463 464 465 466 467 468 469 470 471 472 473 474 475
476 477 478 479 480 481 482 483 484 485 486 487 488 489
490 491 492 493 494 495 496 497 498 499 500 501 502 503
504 505 506 507 508 509 510 511 512 513 514 515 516 517
518 519 520 521 522 523 524 525 526 527 528 529 530 531
532 533 534 535 536 537 538 539 540 541 542 543 544 545
546 547 548 549 550 551 552 553 554 555 556 557 558 559
560 561 562 563 564 565 566 567 568 569 570 571 572 573
574 575 576 577 578 579 580 581 582 583 584 585 586 587
588 589 590 591 592 593 594 595 596 597 598 599 600 601
602 603 604 605 606 607 608 609 610 611 612 613 614 615
616 617 618 619 620 621 622 623 624 625 626 627 628 629
630 631 632 633 634 635 636 637 638 639 640 641 642 643
644 645 646 647 648 649 650 651 652 653 654 655 656 657
658 659 660 661 662 663 664 665 666 667 668 669 670 671
672 673 674 675 676 677 678 679 680 681 682 683 684 685
686 687 688 689 690 691 692 693 694 695 696 697 698 699
700 701 702 703 704 705 706 707 708 709 710 711 712 713
714 715 716 717 718 719 720 721 722 723 724 725 726 727
728 729 730 731 732 733 734 735 736 737 738 739 740 741
742 743 744 745 746 747 748 749 750 751 752 753 754 755
756 757 758 759 760 761 762 763 764 765 766 767 768 769
770 771 772 773 774 775 776 777 778 779 780 781 782 783
784 785 786 787 788 789 790 791 792 793 794 795 796 797
798 799 800 801 802 803 804 805 806 807 808 809 810 811
812 813 814 815 816 817 818 819 820 821 822 823 824 825
826 827 828 829 830 831 832 833 834 835 836 837 838 839
840 841 842 843 844 845 846 847 848 849 850 851 852 853
854 855 856 857 858 859 860 861 862 863 864 865 866 867
868 869 870 871 872 873 874 875 876 877 878 879 880 881
882 883 884 885 886 887 888 889 890 891 892 893 894 895
896 897 898 899 900 901 902 903 904 905 906 907 908 909
910 911 912 913 914 915 916 917 918 919 920 921 922 923
924 925 926 927 928 929 930 931 932 933 934 935 936 937
938 939 940 941 942 943 944 945 946 947 948 949 950 951
952 953 954 955 956 957 958 959 960 961 962 963 964 965
966 967 968 969 970 971 972 973 974 975 976 977 978 979
980 981 982 983 984 985 986 987 988 989 990 991 992 993
994 995 996 997 998 999 1000]1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374
基本操作
数组上的算术运算符使用元素。
一个新的数组被创建并填充结果。
官方原代码：
>>> a = np.array( [20,30,40,50] )
>>> b = np.arange( 4 )
>>> b
array([0, 1, 2, 3])
>>> c = a-b
>>> c
array([20, 29, 38, 47])
>>> b**2
array([0, 1, 4, 9])
>>> 10*np.sin(a)
array([ 9.12945251, -9.88031624, 7.4511316 , -2.62374854])
>>> a<35
array([ True, True, False, False])12345678910111213
pycharm代码：
import numpy as np
a = np.array([20, 30, 40, 50])
print('a is:\n', a)
b = np.arange(4)
print('b is:\n', b)
c = a - b
print('a - b =\n', c)
print('--------------------------------------------')
print('b**2 is:\n', b**2)
print('--------------------------------------------')
print('10*np.sin(a) is:\n', 10*np.sin(a))
print('--------------------------------------------')
print('a<35?\n', a < 35)
123456789101112131415
a is:
[20 30 40 50]
b is:
[0 1 2 3]
a - b =
[20 29 38 47]
--------------------------------------------
b**2 is:
[0 1 4 9]
--------------------------------------------
10*np.sin(a) is:
[ 9.12945251 -9.88031624 7.4511316 -2.62374854]
--------------------------------------------
a<35?
[ True True False False]123456789101112131415
与许多矩阵语言不同，乘积操作符*在NumPy数组中对各个元素进行操作。
矩阵乘积可以使用点函数(dot function)或方法(method)进行:
官方原代码：
>>> A = np.array( [[1,1],
... [0,1]] )
>>> B = np.array( [[2,0],
... [3,4]] )
>>> A*B # elementwise product
array([[2, 0],
[0, 4]])
>>> A.dot(B) # matrix product
array([[5, 4],
[3, 4]])
>>> np.dot(A, B) # another matrix product
array([[5, 4],
[3, 4]])12345678910111213
pycharm代码：
import numpy as np
A = np.array([[1, 1],
[0, 1]])
B = np.array([[2, 0],
[3, 4]])
print('A*B=\n', A*B)
print('---------------------')
print('A.dot(B)=\n', A.dot(B)) # 矩阵乘积
print('---------------------')
print('np.dot(A, B)=\n', np.dot(A, B)) # 矩阵乘积的另外一种表示123456789101112
A*B=
[[2 0]
[0 4]]
---------------------
A.dot(B)=
[[5 4]
[3 4]]
---------------------
np.dot(A, B)=
[[5 4]
[3 4]]1234567891011
一些操作，如+=和*=，会适当地修改现有数组，而不是创建新的数组。
官方原代码：
>>> a = np.ones((2,3), dtype=int)
>>> b = np.random.random((2,3))
>>> a *= 3
>>> a
array([[3, 3, 3],
[3, 3, 3]])
>>> b += a
>>> b
array([[ 3.417022 , 3.72032449, 3.00011437],
[ 3.30233257, 3.14675589, 3.09233859]])
>>> a += b # b is not automatically converted to integer type
Traceback (most recent call last):
...
TypeError: Cannot cast ufunc add output from dtype('float64') to dtype('int64') with casting rule 'same_kind'1234567891011121314
pycharm代码：
import numpy as np
a = np.ones((2,3), dtype=int)
b = np.random.random((2,3))
a *= 3
print(a)
b += a
print(b)
# a += b # 取消注释该行，可看到错误出现123456789
[[3 3 3]
[3 3 3]]
[[3.40489393 3.24349054 3.2576326 ]
[3.09449733 3.12858911 3.26363046]]1234
当操作不同类型的数组时，结果数组的类型对应于更一般或更精确的数组(一种称为向上转换的行为)。
官方原代码：
>>> a = np.ones(3, dtype=np.int32)
>>> b = np.linspace(0,pi,3)
>>> b.dtype.name
'float64'
>>> c = a+b
>>> c
array([ 1. , 2.57079633, 4.14159265])
>>> c.dtype.name
'float64'
>>> d = np.exp(c*1j)
>>> d
array([ 0.54030231+0.84147098j, -0.84147098+0.54030231j,
-0.54030231-0.84147098j])
>>> d.dtype.name
'complex128'123456789101112131415
pycharm代码：
import numpy as np
a = np.ones(3, dtype=np.int32)
b = np.linspace(0, np.pi, 3)
print('a is:', a)
print('b is:', b)
print('b type is:', b.dtype.name)
print('-'*50)
c = a + b
print('c is:', c)
print('c type is:', c.dtype.name)
print('-'*50)
d = np.exp(c*1j)
print('d is:\n', d)
print('d type is:', d.dtype.name)
12345678910111213141516
a is: [1 1 1]
b is: [0. 1.57079633 3.14159265]
b type is: float64
--------------------------------------------------
c is: [1. 2.57079633 4.14159265]
c type is: float64
--------------------------------------------------
d is:
[ 0.54030231+0.84147098j -0.84147098+0.54030231j -0.54030231-0.84147098j]
d type is: complex12812345678910
许多一元运算，例如计算数组中所有元素的和，都是作为ndarray类的方法实现的。
官方原代码：
>> a = np.random.random((2,3))
>>> a
array([[ 0.18626021, 0.34556073, 0.39676747],
[ 0.53881673, 0.41919451, 0.6852195 ]])
>>> a.sum()
2.5718191614547998
>>> a.min()
0.1862602113776709
>>> a.max()
0.685219500396759512345678910
pycharm代码：
import numpy as np
a = np.random.random((2,3))
print('a is:\n', a)
print('a.sum() is:', a.sum())
print('a.min() is:', a.min())
print('a.max() is:', a.max())1234567
a is:
[[0.48359412 0.17621728 0.86433261]
[0.94612411 0.84234692 0.93902957]]
a.sum() is: 4.251644614661762
a.min() is: 0.17621727774779938
a.max() is: 0.9461241148697829123456
默认情况下，这些操作应用于数组，就好像它是一个数字列表，不管它的形状如何。
但是，通过指定axis参数，您可以沿着数组的指定轴执行一个操作:
官方原代码：
>>> b = np.arange(12).reshape(3,4)
>>> b
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>>
>>> b.sum(axis=0) # sum of each column
array([12, 15, 18, 21])
>>>
>>> b.min(axis=1) # min of each row
array([0, 4, 8])
>>>
>>> b.cumsum(axis=1) # cumulative sum along each row
array([[ 0, 1, 3, 6],
[ 4, 9, 15, 22],
[ 8, 17, 27, 38]])12345678910111213141516
pycharm代码：
import numpy as np
b = np.arange(12).reshape(3,4)
print('b is:\n', b)
print('b.sum(axis=0) is:', b.sum(axis=0))
print('b.sum(axis=1) is:', b.sum(axis=1))
print('b.cumsum(axis=1) is:\n', b.cumsum(axis=1))
12345678
b is:
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
b.sum(axis=0) is: [12 15 18 21]
b.sum(axis=1) is: [ 6 22 38]
b.cumsum(axis=1) is:
[[ 0 1 3 6]
[ 4 9 15 22]
[ 8 17 27 38]]
请记得点赞和分享这篇文章让更多的人看到它！
我会阅读所有的评论，所以无论你有什么想要说的，或者是想要分享的，甚至是问题之类的，都可以在下面留言。
