Python视频学习（二十二、数据分析基础(上) matplotlib + numpy）

0 介绍

学习内容（这些学习6天）：

• 基础概念和环境
• matplotlib
• numpy
• pandas

为什么学习数据分析：

1. 岗位需求 —— web/爬虫 + 数据分析+ 机器学习
2. 是机器学习的基础

数据分析的流程：

1. 提出问题
2. 准备数据
3. 分析数据
4. 获得结论
5. 可视化

★Conda使用

Conda可以既可以管理Python环境，也可以管理Python的包，如果pip安装东西安装不上的话，使用conda安装，八成能装上。

conda是主要命令，使用它能够：

1. Query and search the Anaconda package index and current Anaconda installation.
2. Create new conda environments.
3. Install and update packages into existing conda environments.

常用命令
conda --version	查看conda的版本
conda info	查看当前conda信息
conda update conda	更新包（这里是更新conda）
conda create -n myenv python=3.4 scipy=0.15.0 astroid babel	创建环境，指定版本

环境管理
conda create --name snowflakes biopython	创建一个新的环境叫做snowflakes, 同时安装biopython包
conda create --name snakes python=3.5	创建新环境snakes, 指定python版本
windows： activate 环境名 Linux/Mac: source activate 环境名	激活虚拟环境
windows： deactivate 环境名 Linux/Mac: source deactivate 环境名	退出虚拟环境
conda info --envs	查看虚拟环境
conda env list	查看虚拟环境
conda create --name myclone --clone myenv	克隆myenv创建一个新的 myclone环境

包管理
conda search beautifulsoup4	查看是否库中有这没有这个package
conda install beautifulsoup4	安装pacage
conda list	查看当前环境下的所有包
conda list -e > requirements.txt
conda create --name myenv --file requirements.txt	从requirements.txt 创建环境

1. matplotlib折线图

知识点：

• 基本要点
• 散点图、直方图、柱状图
• 更多的绘图工具

from matplotlib import pyplot as plt
x = range(2,26,2)
y = [15,13,14,5,17,20,25,26,24,22,18,15]
# x和y都是可迭代对象
plt.plot(x,y)
plt.show()

还可以完善：

1.1 设置图片大小和清晰度

# plot之前设置
fig = plt.figure(figsize=(20,8),dpi=80)

1.2 保存到本地

# 画图之后调用
plt.savefig("路径文件名")
plt.savefig("a.png")
plt.savefig("a.svg") #保存为矢量图

1.3 添加图片的描述信息 —— xlabel, ylabel, title

plt.xlabel("时间", fontproperties=f)  # 添加x轴的描述信息
plt.ylabel("温度"fontproperties=f)
plt.title("10点到12点每分钟的气温变化",fontproperties=f)

1.4 调整x或者y的刻度 —— xticks, yticks

plt.xticks([1,2,3,4,5]) # 把x中所有值画成x的坐标刻度, x必须是 全数字，才会一一对应
plt.xticks(range(2,25))  

plt.xticks(x, xlabels)  # 显示字符串，会把xlabels中的内容和x的数值对应，然后显示 label的文字

plt.xticks(x,xlabels, rotation) # rotation指定文字旋转角度， 90就是垂直方向

1.5 —— 输出中文

matplotlib默认不支持中文

a. matplotlib.rc

windows/linux 下使用

查看源代码学习

# 10点到12点的每一分钟的气温
from matplotlib import pyplot as plt
from matplotlib import font_manager
import matplotlib
import random
a= [random.randint(20,35) for i in range(120)]

# 1. 设置中文
font = {'family' : 'simhei',
              'weight' : 'bold'}

matplotlib.rc('font', **font)

# 2. 设置图形大小
plt.figure(figsize=(20,8), dpi=200)

# 3. 设置水平轴的名字
x_labels = [ f"{i//60+10}时{i%60}分" for i in range(120)]
plt.xticks(range(0,120,10), x_labels[::10], rotation=60)

plt.plot(range(120),a)
plt.show()

b. ★matplotlib.font_manager

1. 使用font_manager.FontProperties
2. 传入字体文件的路径，来实例化字体
3. 在调用方法的时候将其传入给fontproperties 或者 prop(legend方法专用)

# 10点到12点的每一分钟的气温
from matplotlib import pyplot as plt
from matplotlib import font_manager
import random
a= [random.randint(20,35) for i in range(120)]

# 1. 设置图形大小
plt.figure(figsize=(20,8), dpi=200)
# 2. 设置中文和字体
font = font_manager.FontProperties(fname="C:\Windows\Fonts\MSYH.ttc", weight="bold", size=14)

# 3. 设置水平轴的名字
x_labels = [ f"{i//60+10}时{i%60}分" for i in range(120)]
plt.xticks(range(0,120,10), x_labels[::10], rotation=60, fontproperties=font)
plt.yticks(fontproperties=font)


plt.plot(range(120),a)
plt.show()

案例 —— 交女朋友数量

# 11~30岁对象的数量
from matplotlib import pyplot as plt
from matplotlib import font_manager
import random

# 1. 准备数据
_ygirls = [1,0,1,1,2,4,3,2,3,4,4,5,6,5,4,3,3,1,1,1]
_xages = range(11,31)
_xlabels = [f"{age}岁" for age in _xages]
# 2. 设置图形大小
plt.figure(figsize=(20,8), dpi=200)
# 3. 设置中文
font = font_manager.FontProperties(fname="C:\Windows\Fonts\MSYH.ttc", weight="bold", size=14)
# 4. 设置描述信息
plt.xlabel("年龄", fontproperties=font)
plt.ylabel("女朋友数量",fontproperties=font)
plt.title("11~30岁交的女朋友数量",fontproperties=font)
# 5. 设置水平轴的名字
plt.xticks( _xages, _xlabels, rotation=60, fontproperties=font)
plt.yticks(fontproperties=font)
# 6. 作图
plt.plot(_xages, _ygirls)
plt.show()

1.6 画网格 —— grid

注意： 网格是会在每个x和y轴刻度上绘制，所以要更改网格的疏密，应该去修改 轴线刻度

plt.grid()

plt.grid(alpha=0.4) # 设置网格线的透明度
plt.grid(color="r", linestyle='-', linewidth=2)

1.7 图例 —— legend

1. 在plot的时候添加label参数
2. 调用legend方法
3. 如果有中文，给legend方法传入prop参数

font = font_manager.FontProperties(fname="C:\Windows\Fonts\MSYH.ttc", weight="bold", size=14)

plt.plot(_xages, _y1girls,label="第一个人")
plt.plot(_xages, _y2girls,label="第二个人")

plt.legend(loc="upper left", prop=font)

• loc参数，指定图例的位置

    |Location String  | Location Code|
    ===============   =============
    'best'            0
    'upper right'     1
    'upper left'      2
    'lower left'      3
    'lower right'     4
    'right'           5
    'center left'     6
    'center right'    7
    'lower center'    8
    'upper center'    9
    'center'          10
    ===============   =============
  

案例 —— 2人交女朋友数量

# 11~30岁2个人对象的数量
from matplotlib import pyplot as plt
from matplotlib import font_manager
import random

# 1. 准备数据
_y1girls = [1,0,1,1,2,4,3,2,3,4,4,5,6,5,4,3,3,1,1,1]
_y2girls = [1,0,3,1,2,2,3,3,2,1 ,2,1,1,1,1,1,1,1,1,1]
_xages = range(11,31)
_xlabels = [f"{age}岁" for age in _xages]
# 2. 设置图形大小
plt.figure(figsize=(15,4), dpi=200)
# 3. 设置中文
font = font_manager.FontProperties(fname="C:\Windows\Fonts\MSYH.ttc", weight="bold", size=14)
# 4. 设置描述信息
plt.xlabel("年龄", fontproperties=font)
plt.ylabel("女朋友数量",fontproperties=font)
plt.title("11~30岁交的女朋友数量",fontproperties=font)
# 5. 设置水平轴的名字
plt.xticks( _xages, _xlabels, rotation=60, fontproperties=font)
plt.yticks(fontproperties=font)
# 6. 作图
plt.plot(_xages, _y1girls,label="第一个人")
plt.plot(_xages, _y2girls,label="第二个人")
# 7. 图例
plt.legend(loc="upper left", prop=font)
plt.show()

1.8 ★线条的样式

plt.plot的其他参数：

• color=‘r’
• linestyle=’-’
• linewidth=5
• alpha=0.5

plt.plot的第三个参数是线的format string：
fmt = '[color][marker][line]'

Colors

    The following color abbreviations are supported:

    =============    ===============================
    character        color
    =============    ===============================
    ``'b'``          blue
    ``'g'``          green
    ``'r'``          red
    ``'c'``          cyan
    ``'m'``          magenta
    ``'y'``          yellow
    ``'k'``          black
    ``'w'``          white
    =============    ===============================

如果fmt中只有颜色设置，则颜色可以使用全名，或者16进制表示

Markers

    =============    ===============================
    character        description
    =============    ===============================
    ``'.'``          point marker
    ``','``          pixel marker
    ``'o'``          circle marker
    ``'v'``          triangle_down marker
    ``'^'``          triangle_up marker
    ``'<'``          triangle_left marker
    ``'>'``          triangle_right marker
    ``'1'``          tri_down marker
    ``'2'``          tri_up marker
    ``'3'``          tri_left marker
    ``'4'``          tri_right marker
    ``'s'``          square marker
    ``'p'``          pentagon marker
    ``'*'``          star marker
    ``'h'``          hexagon1 marker
    ``'H'``          hexagon2 marker
    ``'+'``          plus marker
    ``'x'``          x marker
    ``'D'``          diamond marker
    ``'d'``          thin_diamond marker
    ``'|'``          vline marker
    ``'_'``          hline marker
    =============    ===============================

Line Styles

    ========  ===============================
    character  description
    ======== ===============================
    -          solid line style
    --         dashed line style
    -.         dash-dot line style
    :          dotted line style
    ''			无
    ========  ===============================

案例

plt.plot(_xages, _y1girls,'g^:', label="第一个人")
plt.plot(_xages, _y2girls, '-or', label="第二个人")

plt.legend(loc="upper left", prop=font)
plt.show()

1.9 标记特殊的点

待续

1.10 给图片添加水印

待续

小结

3. matplotlib 画其他图

3.1 散点图

plt.scatter(x,y)

案例 —— 绘制3月和10月所有气温的散点图

from matplotlib import pyplot as plt
from matplotlib import font_manager

font = font_manager.FontProperties(fname="C:\Windows\Fonts\MSYH.ttc")

# 0. 准备数据
y1 = [11,17,16,11,12,11,12,6,6,7,8,9,12,15,14,17,18,21,16,17,20,14,15,15,15,19,21,22,22,22,23]
y2 = [26,26,28,19,21,17,16,19,18,20,20,19,22,23,17,20,21,20,22,15,11,15,5,13,17,10,11,13,12,13,6]
x1 = range(31)
x2 = range(50,81)
x1_labels = [f"3月{i+1}日" for i in x1]
x2_labels = [f"10月{i-50+1}日" for i in x2]
# 1.设置图形大小
plt.figure(figsize=(20,6),dpi=200)
# 2. 设置坐标文字
plt.xticks(  (list(x1)+list(x2))[::3], (list(x1_labels)+list(x2_labels))[::3],fontproperties=font, rotation=45)
plt.scatter(x1,y1)
plt.scatter(x2,y2)
plt.show()

3.2 条形图

plot.bar

横坐标是离散的，条形图；
横坐标是连续的，直方图

a. 正常条形图 —— plt.bar

• 也是使用数字来画x轴，然后使用xticks来修改文字

from matplotlib import pyplot as plt
from matplotlib import font_manager

"""绘制条形图  plt.bar"""

# 假设你获取到了2017年内地电影票房前20的电影(列表a)和电影票房数据(列表b),那么如何更加直观的展示该数据?

a = ["战狼2", "速度与激情8", "功夫瑜伽", "西游伏妖篇", "变形金刚5：最后的骑士", "摔跤吧！爸爸", "加勒比海盗5：死无对证", "金刚：骷髅岛", "极限特工：终极回归", "生化危机6：终章",
     "乘风破浪", "神偷奶爸3", "智取威虎山", "大闹天竺", "金刚狼3：殊死一战", "蜘蛛侠：英雄归来", "悟空传", "银河护卫队2", "情圣", "新木乃伊", ]

b = [56.01, 26.94, 17.53, 16.49, 15.45, 12.96, 11.8, 11.61, 11.28, 11.12, 10.49, 10.3, 8.75, 7.55, 7.32, 6.99, 6.88,
     6.86, 6.58, 6.23]

font = font_manager.FontProperties(fname="C:/Windows/Fonts/MSYH.ttc")

plt.bar(range(len(a)), b, width=0.5)
plt.xticks(range(len(a)), a, fontproperties=font, rotation=90)
plt.show()

b. 垂直条形图 —— plt.barh

from matplotlib import pyplot as plt
from matplotlib import font_manager

"""绘制条形图  plt.bar"""

# 假设你获取到了2017年内地电影票房前20的电影(列表a)和电影票房数据(列表b),那么如何更加直观的展示该数据?

a = ["战狼2", "速度与激情8", "功夫瑜伽", "西游伏妖篇", "变形金刚5：最后的骑士", "摔跤吧！爸爸", "加勒比海盗5：死无对证", "金刚：骷髅岛", "极限特工：终极回归", "生化危机6：终章",
     "乘风破浪", "神偷奶爸3", "智取威虎山", "大闹天竺", "金刚狼3：殊死一战", "蜘蛛侠：英雄归来", "悟空传", "银河护卫队2", "情圣", "新木乃伊", ]

b = [56.01, 26.94, 17.53, 16.49, 15.45, 12.96, 11.8, 11.61, 11.28, 11.12, 10.49, 10.3, 8.75, 7.55, 7.32, 6.99, 6.88,
     6.86, 6.58, 6.23]
#
# 单位:亿

font = font_manager.FontProperties(fname="C:/Windows/Fonts/MSYH.ttc")

# plt.bar(range(len(a)), b, width=0.5)
plt.barh(range(len(a)), b, height=0.5)

plt.yticks(range(len(a)), a, fontproperties=font)
plt.show()

案例 —— 多个条形图对比票房

# 假设你知道了列表a中电影分别在2017-09-14(b_14), 2017-09-15(b_15), 2017-09-16(b_16)
# 三天的票房,为了展示列表中电影本身的票房以及同其他电影的数据对比情况,应该如何更加直观的呈现该数据?

# 假设你知道了列表a中电影分别在2017-09-14(b_14), 2017-09-15(b_15), 2017-09-16(b_16)
# 三天的票房,为了展示列表中电影本身的票房以及同其他电影的数据对比情况,应该如何更加直观的呈现该数据?
from matplotlib import pyplot as plt
from matplotlib import font_manager

names = ["猩球崛起3：终极之战", "敦刻尔克", "蜘蛛侠：英雄归来", "战狼2"]

# 长度除开 12个画柱子的，还要算上间隔
bar_width = 0.1
a = range(len(names))

x_14 = a
x_15 = [i + bar_width for i in a]
x_16 = [i + 2 * bar_width for i in a]
b_14 = [2358, 399, 2358, 362]
b_15 = [12357, 156, 2045, 168]
b_16 = [15746, 312, 4497, 319]

font = font_manager.FontProperties(fname="C:/Windows/Fonts/MSYH.ttc")

plt.bar(x_14, b_14, label="2017-09-14", width=bar_width)
plt.bar(x_15, b_15, label="2017-09-15", width=bar_width)
plt.bar(x_16, b_16, label="2017-09-16", color="red", width=bar_width)
# 设置电影名称
plt.xticks(x_15, names, fontproperties=font)
# 设置网格
plt.grid(alpha=0.4, axis="y")
# 图例
plt.legend(loc="best")
plt.show()

3.3 直方图 —— plt.hist

有一组原始数据，没有统计过的，将它绘制在连续区间内

plt.hist(原始值, bins, density)

• hist只能绘制没有统计过的数据，如果已经统计了每个区间是多少个，那么应该使用bar
• bins可以为数字，代表分成几个区间； 也可以为listi指定每个区间的边缘值
• density是bool值，代表是否以频率分布来绘制

from matplotlib import pyplot as plt
a=[131,  98, 125, 131, 124, 139, 131, 117, 128, 108, 135, 138, 131, 102, 107, 114, 119, 128, 121, 142, 127, 130, 124, 101, 110, 116, 117, 110, 128, 128, 115,  99, 136, 126, 134,  95, 138, 117, 111,78, 132, 124, 113, 150, 110, 117,  86,  95, 144, 105, 126, 130,126, 130, 126, 116, 123, 106, 112, 138, 123,  86, 101,  99, 136,123, 117, 119, 105, 137, 123, 128, 125, 104, 109, 134, 125, 127,105, 120, 107, 129, 116, 108, 132, 103, 136, 118, 102, 120, 114,105, 115, 132, 145, 119, 121, 112, 139, 125, 138, 109, 132, 134,156, 106, 117, 127, 144, 139, 139, 119, 140,  83, 110, 102,123,107, 143, 115, 136, 118, 139, 123, 112, 118, 125, 109, 119, 133,112, 114, 122, 109, 106, 123, 116, 131, 127, 115, 118, 112, 135,115, 146, 137, 116, 103, 144,  83, 123, 111, 110, 111, 100, 154,136, 100, 118, 119, 133, 134, 106, 129, 126, 110, 111, 109, 141,120, 117, 106, 149, 122, 122, 110, 118, 127, 121, 114, 125, 126,114, 140, 103, 130, 141, 117, 106, 114, 121, 114, 133, 137,  92,121, 112, 146,  97, 137, 105,  98, 117, 112,  81,  97, 139, 113,134, 106, 144, 110, 137, 137, 111, 104, 117, 100, 111, 101, 110,105, 129, 137, 112, 120, 113, 133, 112,  83,  94, 146, 133, 101,131, 116, 111,  84, 137, 115, 122, 106, 144, 109, 123, 116, 111,111, 133, 150]

# 指定bin的宽度
bin_width = 10
# 计算每个bin的边沿值
bin_edges = [number for number in range(min(a), max(a)+bin_width, bin_width)]

plt.hist(a,density=True, bins = bin_edges)
plt.xticks(bin_edges)
plt.grid()
plt.show()

案例 —— 普查分布

from matplotlib import pyplot as plt
interval = [0,5,10,15,20,25,30,35,40,45,60,90]
width = [5,5,5,5,5,5,5,5,5,15,30,60]
quantity = [836,2737,3723,3926,3596,1438,3273,642,824,613,215,47]
# 设置图片大小
plt.figure(figsize=(20,7), dpi=200)
# 计算绘制中心的位置
_x = [i+w/2 for i,w in zip(interval, width)]
# 绘图并且指定每个bin的宽度
plt.bar(_x, quantity,width=width)
# 设置横轴坐标
plt.xticks(interval+[150])
plt.grid()
plt.show()

3.4 其他绘图工具

• JS前端绘图如： echarts
• python交互式绘图工具： plotly
• 和matplotlib一样的静态绘图: seaborn

4. numpy

4.1 创建数组

使用
np.array([1,2,3,4])	创建一维数组
np.array(range(5))	创建一维数组
np.arange(1,10,2, dtype=None)	创建一维数组
np.zeros( (shape))
np.ones( (shape) )
np.eye(3)	创建对焦阵

数组类型为numpy.ndarray

import numpy as np

a = np.array([1,2,3,4])
b = np.arange(10)
print(a)
print(type(a))

4.2 类型

numpy会自动根据传入的数据推断类型，也可以

• 显示指定类型
• 查看类型
• 改变类型

使用
数组.dtype	查看类型
新数组 = np.array(..., dtype=类型)	创建数组并且指定类型
新数组 = np.arange(..., dtype=类型)	创建数组并且指定类型
新数组 = 数组.astype(类型)	修改类型

类型示例：

float
int
bool
np.bool
np.int
np.float
"float32"
"f16"
...

四舍五入小数 —— np.round(数组, 小数位)

b = np.round(a, 2)

4.3 形状

使用
数组.shape
新数组= 数组.reshape( (形状元祖) )
新数组 = 数组.flatten()	展开成一维数组

转换成一维数组：

a = np.arange(12).reshape((2,2,3))
b = a.reshape( (12,) )  # 这是变成一维数组
b = a.reshape( (12,1))  # 这是12行1列的二维数组
b = a.reshape( (1,12))  # 这是1行12列的二维数组
b = a.flatten()   #  这是变成一维数组

4.4 计算

• 数组和数字运算
• 数组和数组运算
  • 形状相同： 对应位置计算
  • 和某行形状相同： 列广播
  • 和某列形状相同： 行广播

★广播

"""广播"""
import numpy as np

# a 是 2行6列
a = np.arange(12).reshape(2,6)

# b 是 1行6列
b = np.arange(6).reshape(1,6)
# c 是 2行1列
c = np.arange(2).reshape(2,1)
print(a + b)
print(a * b)
print(a + c)
print(a * c)

4.5 轴

轴可以理解为方向，0，1，2… 数字表示。

数组.shape返回的就是0轴、1轴…的长度

轴数字的含义不是固定的

1. 一维中， 0轴就是唯一方向
2. 二维中，0轴是x方向，1轴是y方向
3. 三维中，0轴是z方向，1是x方向，2是y方向

所以0轴总是的含义不是永远固定的，看维度

4.6 numpy读取本地数据

np.loadtxt()

def loadtxt(fname, dtype=float, comments='#', delimiter=None,
            converters=None, skiprows=0, usecols=None, unpack=False,
            ndmin=0, encoding='bytes'):
fname: 文件名
converters: 可选的字典，用来指定每一列的数据经过什么函数做处理
	converters = {0: datestr2num}
skiprows: 跳过头几行
usecols: 数字或者sequence，表示要保留那几列，从0开始代表第一列
unpack: 是否将结果转置

4.7 转置

三种方法：

1. 新数组= t.transpose()
2. 新数组= t.T
3. 新数组= t.swapaxes(轴数，轴数)

4.8 ★★索引和切片

数组[行,列]

1. 1个单元格的内容： a[3,4] ( 4行5列的单元格)
2. 连续的几行： a[1:5, :] ( 2行-5行的所有)
3. 间隔的几行： a[ 2:10:2 ,:] (3-10行，每个1行取一次 —— 步长 )
4. 不连续的几行： a[ [1,3,4] , : ] (2,4,5行的所有)
5. 交叉的行列： a[ 2:4, 3:5 ] ( 3-4行和4-5列交叉的单元格们）
6. ▲离散的几个单元格 a[ [0,1,4,5 ] , [ 6,8,4,1] ] (单元格(0,6) ( 1,8) ( 4,4) (5,1) 的内容)

a. 布尔索引

可以在索引中传入和原数组维度一样的bool数组来索引，所有True会保留，False会丢失。

t[ t < 10]

b. 值替换

可以直接给索引的结果赋值，这会改变原数组的内容。

c. np中的“三元运算符" —— np.where

要将满足某个条件的值替换成"a"，不满足的替换成"b"

d. np.clip

把所有小于某个数字的 值都替换成这个数字； 将所有大于某个数字的值都替换成这个数字

4.9 np.nan和 np.inf

出现nan的情况：

1. 读取本地文件为float类型时，如果出现缺失，则为 nan
2. 当做了一个不合适的操作（0/0， inf-inf)

np.nan的类型是float

inf表示无穷大， -inf表示负无穷大

出现inf的情况：

1. 出现一个数字除以0

type(np.inf)
Out[35]: float
type(np.nan)
Out[36]: float

a. nan的特点

• nan和任何值计算都是nan
• 两个nan之间不相等：

np.nan == np.nan  # False
np.nan != np.nan  # True

利用上述特点，可以计算nan的个数：

np.count_nonzero( t != t)
np.sum( t == t)
np.sum(np.isnan( t ))

b. 如何处理nan

不宜把nan全部替换为0， 最好是：

1. 替换成均值
2. 替换成中值
3. 直接删除缺失一行

4.10 np常用统计函数

函数
t.sum(axis=None)
t.mean(axis=None)
np.median(t, axis=None)
t.max(aixs=None)
t.min(axis=None)
np.ptp(t, axis=None)	极值
t.std(axis=None)

案例—— 将nan替换成均值

import numpy as np

a = np.arange(16).reshape(4, 4).astype("float")
a[0:2, 1:3] = np.nan
print(a)

"""将缺失的nan用本列其他值的均值替换"""

for i in range(a.shape[1]):
    col = a[:, i]
    # 判断是否有nan
    if np.sum(np.isnan(col)) > 0:
        # 计算均值
        nonan_col = col[col==col]
        mean = nonan_col.mean()
        # 替换nan
        col[col!=col] = mean
print(a)

4.11 数组拼接

np.vstack()和np.hstack()

4.12 行列交换

4.13 产生随机数

方法
np.random.rand(d0, d1, ... dn)	创建d0-dn维度的均匀分布随机数组，浮点类型，0-1
np.random.randn(d0, d1, ... dn)	创建d0-dn维度的 标准正态分布 随机数组
np.random.randint(low, high, (shape))	创建shape形状的从low-high的随机整数数组
np.random.uniform(low, high, (shape)	创建shape形状的从low-high的 均匀分布数组
np.random.normal(loc, scale, (shape) )	指定均值（loc）， 标准差（scale）的shape形状正态分布数组
np.random.seed(s)	设置随机数种子

4.14 其他方法

方法
np.argmax(t, axis = None)	获取最大值的索引位置
np.argmin(t, axis=None)	获取最小值的索引位置

4.15 ★numpy数组的拷贝 —— t.copy()

无论是a=b这种，还是 a=b[:]索引的这种，获得的都是浅拷贝，他们之间都会互相影响

想获得不影响的，只有使用：
a = b.copy()