import pandas as pd
text = pd.DataFrame([[21,45,78],[23,56,89],[14,25,36],[47,58,69]])   # 先建立一个矩阵
print(text)
Out[1]: 
    0   1   2
0  21  45  78
1  23  56  89
2  14  25  36
3  47  58  69

# 找到最大值和最大值所对应的位置
text.stack().max()
Out[2]: 89
text.stack().idxmax()
Out[3]: (1, 2)
# 或者是p,q = text.stack().idxmax()    # 将值赋给p,q

# 找最小值和最小值所对应的位置
text.stack().min()
Out[4]: 14
text.stack().idxmin()
Out[5]: (2, 0)

 

# python # pandas
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

Node.js+Vue3.5 实战：豆包快速 / 深度思考模型的流式调用方案

avatar 2048 AI社区

基于分布式模型预测控制的多智能体点对点过渡轨迹生成研究（Matlab代码实现）

随着多智能体系统（MAS）在无人机编队、自动驾驶车队、机器人协同操作等领域的广泛应用，如何实现高效、安全、协同的点对点轨迹生成成为核心挑战。分布式模型预测控制（DMPC）通过将集中式优化问题分解为局部子问题，结合预测模型与分布式通信机制，为大规模多智能体系统的轨迹规划提供了有效解决方案。本文系统梳理了DMPC在多智能体点对点过渡中的关键技术，包括模型构建、约束处理、协调机制及优化算法，分析了其可扩

avatar 2048 AI社区

基于分布式模型预测控制DMPC的单向拓扑结构下异构车辆车队研究（Matlab代码实现）

DMPC方法通过将每个车辆的控制问题分解为局部优化问题，并利用滚动优化策略进行求解，实现车辆的协同控制。建立车辆动力学模型：考虑异构车辆的动力学差异，采用包含车辆质量、空气阻力系数、滚动阻力系数等参数的非线性车辆动力学模型。设计DMPC控制器：每个车辆作为一个独立的智能体，利用预测状态信息建立自身的优化问题。优化问题的约束包括车辆的动力学约束、控制输入约束和安全距离约束。信息传递机制：每个车辆将自

avatar 2048 AI社区