1、numpy的3中复制方法
第一种方法：
a = np.arange(12)
b = a
print(b is a)
#运行结果：
True首先，我们获得1个变量a，然后将a赋值给b，然后进行布尔值判断，发现b is a返回True。
b.shape = (3, 4)
print(a.shape)
print(id(a))
print(id(b))
#运行结果：
(3, 4)
47700192
47700192然后，我们对b使用shape方法将其变为一个3行4列的矩阵，同时打印a的shape发现，也变成了3行4列。
最后，我们采用id()方法调取a和b的内存位置，发现完全相同，说明a和b指向同一个内存地址。
第二种方法：
a = np.arange(12)
c = a.view()
print(c is a)
#运行结果：
False然后，我们对c使用shape方法进行改变，然后观察a的shape是否变化：
c.shape = (2, 6)
print(a.shape)
#运行结果：
(12,)可以发现，a和c的shape结构并不相同。接下来，我们打印一下a和c的内存地址：
print(id(a))
print(id(c))
#运行结果：
50976992
192259440可以发现，内存地址也不同。
然鹅，见证奇迹的时刻到了……
c[0, 4] = 1234
print(a)
#运行结果：
[ 0 1 2 3 1234 5 6 7 8 9 10 11]我们把c中的某一个元素进行了改变，然后打印a，发现a对应的元素居然也发生了变化。
原因在于，a和c虽然内存地址不同，但共享数据，共用一套值……（好吧，其实我也没听懂）
第三种方法：
a = np.arange(12)
a.shape = (3, 4)
d = a.copy()
print(d is a)
#运行结果：
False依然还是获取矩阵a，使用copy()方法赋值给d，然后使用布尔值判断，得到False。
d[0, 0] = 9999
print(d)
print('-----')
print(a)
#运行结果：
[[9999 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
-----
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]OK，我们把d中第一行第一列的元素变成9999，然后分别打印d和a，发现d发生变化，但是a没有变。
copy()方法也是Numpy中最常用的复制方法。
2、一些排序和索引的问题
data = np.sin(np.arange(20).reshape(5, 4))
print(data)
#运行结果：
[[ 0. 0.84147098 0.90929743 0.14112001]
[-0.7568025 -0.95892427 -0.2794155 0.6569866 ]
[ 0.98935825 0.41211849 -0.54402111 -0.99999021]
[-0.53657292 0.42016704 0.99060736 0.65028784]
[-0.28790332 -0.96139749 -0.75098725 0.14987721]]首先，获取矩阵data。然后我们获取当前矩阵中元组最大值的索引：
ind = data.argmax(axis=0)
print(ind)
#运行结果：
[2 0 3 1]使用argmax()方法，我们找到了[2 0 3 1]，这个是啥？
2、0、3、1四个数字代表的意思是，第1列中第3个数字最大，第2列中第1个数字最大……这样就把索引找到了。axis=0代表按列计算。
索引值找到了，我们就可以利用索引值去找最大的数字了：
data_max = data[ind, range(data.shape[1])]
print(data_max)
#运行结果：
[0.98935825 0.84147098 0.99060736 0.6569866 ]data_max = data[ind, range(data.shape[1])]需要解释一下：
ind代表第一列最大值在第几行。data.shape == (5, 4), 所以data.shape[1] == 4, range(data.shape[1]) == range(4)
看着写得挺复杂，其实意思就是按照每一列来找。
3、矩阵的扩展
a = np.arange(0, 40, 10)
print(a)
print('--------------')
b = np.tile(a, (3, 5))
print(b)
#运行结果：
[ 0 10 20 30]
--------------
[[ 0 10 20 30 0 10 20 30 0 10 20 30 0 10 20 30 0 10 20 30]
[ 0 10 20 30 0 10 20 30 0 10 20 30 0 10 20 30 0 10 20 30]
[ 0 10 20 30 0 10 20 30 0 10 20 30 0 10 20 30 0 10 20 30]]使用tile()方法进行扩展，行变为原来的3倍，列变为原来的5倍。
4、对矩阵中的数进行排序
首先，我们获得一个矩阵：
a = np.array([[4, 3, 5], [1, 2, 1]])
print(a)
#运行结果：
[[4 3 5]
[1 2 1]]然后，我们对这个矩阵通过行进行排序：
b = np.sort(a, axis=1)
print(b)
#运行结果：
[[3 4 5]
[1 1 2]]可以看到，第一行、第二行均进行了升序排列。
然后，我们使用其他方法进行排序：
a = np.array([4, 3, 1, 2])
j = np.argsort(a)
print(j)
print('---------')
print(a[j])
#运行结果：
[2 3 1 0]
---------
[1 2 3 4]
使用argsort()方法可以将向量又小到大进行排序，并返回其索引值。
之后，我们根据其索引值的顺序，就可以将向量重新进行排序了。
