1.假设有一张成绩表记录了10名学生的语文、数学、英语、生物、历史这5门课的成绩，成绩范围均为50~100分。10名学生的学号分别为100、101、102、103、104、105、106、107、108、109。利用numpy完成一下操作： （1）使用随机数模拟学生成绩，并存储在数组中。 （2）查询学号为105的学生的英语成绩。 （3）查询学号为100、102、105、109的4位学生的语文、数学和英语成绩。 （4）查询大于或等于90分的成绩和相应学生的学号。 （5）按各门课程的成绩排序。 （6）按每名学生的成绩排序。 （7）计算每门课程的平均分、最高分和最低分。 （8）计算每名学生的最高分、最低分。 （9）查询最低分及相应的学生学号和课程。 （10）查询最高分及相应的学生学号和课程。 （11）语文、数学、英语、生物、历史这5门课程在总分中的占比分别为25%、25%、20%、15%、15%。如果总分位100分，则计算每名学生的总成绩。 （12）查询最高的3个总分。

这里提供一个基于Python和NumPy的示例代码，实现上述操作：

import numpy as np

# 定义学生学号和课程名称
students = ['100', '101', '102', '103', '104', '105', '106', '107', '108', '109']
subjects = ['语文', '数学', '英语', '生物', '历史']

# 使用随机数生成成绩表
np.random.seed(0)  # 设置随机数种子
grades = np.random.randint(50, 101, size=(10, 5))  # 10名学生，5门课程
print("成绩表：")
print(grades)

# 查询学号为105的学生的英语成绩
print("学号为105的学生的英语成绩：")
print(grades[5, 2])  # 注意索引从0开始，所以第6名学生对应索引为5，英语课程对应索引为2

# 查询学号为100、102、105、109的4位学生的语文、数学和英语成绩
selected_students = [0, 2, 5, 9]  # 学号对应的索引
selected_subjects = [0, 1, 2]  # 语文、数学、英语对应的索引
print("学号为100、102、105、109的学生的语文、数学和英语成绩：")
print(grades[selected_students][:, selected_subjects])

# 查询大于或等于90分的成绩和相应学生的学号
print("大于或等于90分的成绩和相应学生的学号：")
mask = grades >= 90
indices = np.argwhere(mask)  # 找到满足条件的元素的索引
print(np.column_stack((students[indices[:, 0]], subjects[indices[:, 1]], grades[indices])))

# 按各门课程的成绩排序
print("按各门课程的成绩排序：")
sorted_indices = np.argsort(grades, axis=0)[::-1]  # 从大到小排序并翻转
for i, subject in enumerate(subjects):
    print(subject)
    print(np.column_stack((np.array(students)[sorted_indices[:, i]], grades[sorted_indices[:, i], i])))

# 按每名学生的成绩排序
print("按每名学生的成绩排序：")
sorted_indices = np.argsort(grades.sum(axis=1))[::-1]  # 按总成绩从大到小排序并翻转
for i, student in enumerate(np.array(students)[sorted_indices]):
    print(student)
    print(np.column_stack((subjects, grades[sorted_indices[i]])))

# 计算每门课程的平均分、最高分和最低分
print("每门课程的平均分、最高分和最低分：")
for i, subject in enumerate(subjects):
    print(subject)
    print("平均分：", np.mean(grades[:, i]))
    print("最高分：", np.max(grades[:, i]))
    print("最低分：", np.min(grades[:, i]))

# 计算每名学生的最高分、最低分
print("每名学生的最高分、最低分：")
print("最高分：", np.max(grades, axis=1))
print("最低分：", np.min(grades, axis=1))

# 查询最低分及相应的学生学号和课程
min_index = np.argmin(grades)
print("最低分：", grades[min_index])
print("学生学号：", students[min_index // 5])
print("课程：", subjects[min_index % 5])

# 查询最高分及相应的学生学号和课程
max_index = np.argmax(grades)
print("最高分：", grades[max_index])
print("学生学号：", students[max_index // 5])
print("课程：", subjects[max_index % 5])

# 计算每名学生的总成绩
weights = np.array([0.25, 0.25, 0.2, 0.15, 0.15])  # 各门课程的权重
total_scores = np.sum(grades * weights, axis=1)
print("每名学生的总成绩：")
print(np.column_stack((students, total_scores)))

# 查询最高的3个总分
top_indices = np.argsort(total_scores)[::-1][:3]  # 总成绩从大到小排序并选取前3个
print("最高的3个总分：")
print(np.column_stack((np.array(students)[top_indices], total_scores[top_indices])))

说明：

- 这里使用了 NumPy 的数组操作，可以方便地完成多维数组的操作和计算。
- 为了方便操作，我们将学生学号和课程名称都存储在了列表中，并使用索引来访问。
- 注意在 NumPy 中，索引从0开始，所以实际上第6名学生对应索引为5，英语课程对应索引为2。
- 在查询部分，我们使用了布尔掩码和 `argwhere()` 函数来找到满足条件的元素的索引。
- 在排序部分，我们使用了 `argsort()` 函数来排序，并使用切片来翻转数组，实现从大到小排序。
- 在计算部分，我们使用了 NumPy 的聚合函数来计算平均值、最大值、最小值等统计量。