Educoder python NumPy基础及取值操作 第3关：基础操作

 题目链接：https://www.educoder.net/tasks/uwohnfelbk4j

• 任务描述
• 相关知识
  • 算术运算
  • 矩阵运算
  • 简单统计
• 编程要求
• 测试说明

---

任务描述

本关任务：根据本关所学知识，补全右侧代码编辑器中缺失的代码，完成程序的编写并通过所有测试用例。

相关知识

为了完成本关任务，你需要掌握：

• 算术运算；
• 矩阵运算；
• 简单统计。

算术运算

如果想要对ndarray对象中的元素做elementwise(逐个元素地)的算术运算非常简单，加减乘除即可。代码如下：

1. import numpy as np
2.  
3. a = np.array([0, 1, 2, 3])
4.  
5. # a中的所有元素都加2，结果为[2, 3, 4, 5]
6. b = a + 2
7.  
8. # a中的所有元素都减2，结果为[-2, -1, 0, 1]
9. c = a - 2
10.  
11. # a中的所有元素都乘以2，结果为[0, 2, 4, 6]
12. d = a * 2
13.  
14. # a中的所有元素都平方，结果为[0, 1, 4, 9]
15. e = a ** 2
16.  
17. # a中的所有元素都除以2，结果为[0, 0.5, 1, 1.5]
18. f = a / 2
19.  
20. # a中的所有元素都与2比，结果为[True, True, False, False]
21. g = a < 2

矩阵运算

相同shape的矩阵A与矩阵B之间想要做elementwise运算也很简单，加减乘除即可。代码如下：

1. import numpy as np
2.  
3. a = np.array([[0, 1], [2, 3]])
4. b = np.array([[1, 1], [3, 2]])
5.  
6. # a与b逐个元素相加，结果为[[1, 2], [5, 5]]
7. c = a + b
8.  
9. # a与b逐个元素相减，结果为[[-1, 0], [-1, 1]]
10. d = a - b
11.  
12. # a与b逐个元素相乘，结果为[[0, 1], [6, 6]]
13. e = a * b
14.  
15. # a的逐个元素除以b的逐个元素，结果为[[0., 1.], [0.66666667, 1.5]]
16. f = a / b
17.  
18. # a与b逐个元素做幂运算，结果为[[0, 1], [8, 9]]
19. g = a ** b
20.  
21. # a与b逐个元素相比较，结果为[[True, False], [True, False]]
22. h = a < b

细心的同学应该发现了，*只能做elementwise运算，如果想做真正的矩阵乘法运算显然不能用*。NumPy提供了@和dot函数来实现矩阵乘法。代码如下：

1. import numpy as np
2.  
3. A = np.array([[1, 1], [0, 1]])
4. B = np.array([[2, 0], [3, 4]])
5.  
6. # @表示矩阵乘法，矩阵A乘以矩阵B，结果为[[5, 4], [3, 4]]
7. print(A @ B)
8.  
9. # 面向对象风格，矩阵A乘以矩阵B，结果为[[5, 4], [3, 4]]
10. print(A.dot(B))
11.  
12. # 面向过程风格，矩阵A乘以矩阵B，结果为[[5, 4], [3, 4]]
13. print(np.dot(A, B))

简单统计

有的时候想要知道ndarray对象中元素的和是多少，最小值是多少，最小值在什么位置，最大值是多少，最大值在什么位置等信息。这个时候可能会想着写一个循环去遍历ndarray对象中的所有元素来进行统计。NumPy为了解放我们的双手，提供了sum，min，max，argmin，argmax等函数来实现简单的统计功能，代码如下：

1. import numpy as np
2.  
3. a = np.array([[-1, 1, 2, 3], [4, 5, 6, 7], [8, 9, 10, 13]])
4.  
5. # 计算a中所有元素的和，结果为67
6. print(a.sum())
7.  
8. # 找出a中最大的元素，结果为13
9. print(a.max())
10.  
11. # 找出a中最小的元素，结果为-1
12. print(a.min())
13.  
14. # 找出a中最大元素在a中的位置，由于a中有12个元素，位置从0开始计，所以结果为11
15. print(a.argmax())
16.  
17. # 找出a中最小元素在a中位置，结果为0
18. print(a.argmin())

有的时候，我们在统计时需要根据轴来统计。举个例子，公司员工的基本工资，绩效工资，年终奖的信息如下：

工号	基本工资	绩效工资	年终奖
1	3000	4000	20000
2	2700	5500	25000
3	2800	3000	15000

这样一个表格很明显，可以用ndarray来存储。代码如下：

1. import numpy as np
2.  
3. info = np.array([[3000, 4000, 20000], [2700, 5500, 25000], [2800, 3000, 15000]])

info实例化之后就有了维度和轴的概念，很明显info是个二维数组，所以它的维度是2。维度为2换句话来说就是info有两个轴：0号轴与1号轴（轴的编号从0开始算）。轴所指的方向如下图所示：

如果想要统计下这3位员工中基本工资、绩效工资与年终奖的最小值与最大值（也就是说分别统计出每一列中的最小与最大值）。我们可以沿着0号轴来统计。想要实现沿着哪个轴来统计，只需要修改axis即可，代码如下：

1. import numpy as np
2.  
3. info = np.array([[3000, 4000, 20000], [2700, 5500, 25000], [2800, 3000, 15000]])
4.  
5. # 沿着0号轴统计，结果为[2700, 3000, 15000]
6. print(info.min(axis=0))
7.  
8. # 沿着0号轴统计，结果为[3000, 5500, 25000]
9. print(info.max(axis=0))

PS:当没有修改axis时，axis的值默认为None。意思是在统计时会把ndarray对象中所有的元素都考虑在内。

编程要求

根据提示，在右侧编辑器Begin-End处补充代码，根据测试用例的输入，打印每行的最大值的位置。

• 具体要求请参见后续测试样例。

请先仔细阅读右侧上部代码编辑区内给出的代码框架，再开始你的编程工作！

测试说明

平台会对你编写的代码进行测试，对比你输出的数值与实际正确的数值，只有所有数据全部计算正确才能进入下一关。

测试输入：

[[0.2, 0.7, 0.1], [0.1, 0.3, 0.6]]

预期输出：

[1 2]

开始你的任务吧，祝你成功！

import numpy as np
def get_answer(input_data):
    '''
    将ipnut_data转换成ndarray后统计每一行中最大值的位置并打印
    :param input_data: 测试用例，类型为list
    :return: None
    '''
    #********* Begin *********#
    print(np.array(input_data).argmax(axis=1))
    #********* End *********#