數組的算術運算是按元素逐個運算。數組運算後將創建包含運算結果的新數組。
>>>a= np.array([20,30,40,50])
>>>b= np.arange( 4)
>>> b
array([0, 1, 2, 3])
>>> c= a-b
>>> c
array([20, 29, 38, 47])
>>> b**2
array([0, 1, 4, 9])
>>> 10*np.sin(a)
array([ 9.12945251,-9.88031624, 7.4511316, -2.62374854])
>>> a<35
array([True, True, False, False], dtype=bool)
#NumPy中的乘法運算符*按元素逐個計算,矩陣乘法可以使用dot函數或創建矩陣對象實現
>>> A= np.array([[1,1],
...[0,1]])
>>> B= np.array([[2,0],
...[3,4]])
>>> A*B # 逐個元素相乘
array([[2, 0],
[0, 4]])
>>> np.dot(A,B) # 矩陣相乘
array([[5, 4],
[3, 4]])
#有些操作符如+=和*=用來更改已存在數組而不創建一個新的數組。
>>> a= np.ones((2,3), dtype=int)
>>> b= np.random.random((2,3))
>>> a*= 3
>>> a
array([[3, 3, 3],
[3, 3, 3]])
>>> b+= a
>>> b
array([[ 3.69092703, 3.8324276, 3.0114541],
[ 3.18679111, 3.3039349, 3.37600289]])
>>> a+= b # b轉換爲整數類型
>>> a
array([[6, 6, 6],
[6, 6, 6]])
#當數組中存儲的是不同類型的元素時,數組將使用佔用更多位(bit)的數據類型作爲其本身的數據類型,也就是偏向更精確的數據類型(這種行爲叫做upcast)。>>> a= np.ones(3, dtype=np.int32)
>>> b= np.linspace(0,np.pi,3)
>>> b.dtype.name
'float64'
>>> c= a+b
>>> c
array([ 1., 2.57079633, 4.14159265])
>>> c.dtype.name
'float64'
>>> d= exp(c*1j)
>>> d
array([ 0.54030231+0.84147098j,-0.84147098+0.54030231j,
-0.54030231-0.84147098j])
>>> d.dtype.name
'complex128'
>>> a= np.random.random((2,3))
>>> a
array([[ 0.65806048, 0.58216761, 0.59986935],
[ 0.6004008, 0.41965453, 0.71487337]])
>>> a.sum()
3.5750261436902333
>>> a.min()
0.41965453489104032
>>> a.max()
0.71487337095581649
#這些運算將數組看作是一維線性列表。但可通過指定axis參數(即數組的行)對指定的軸做相應的運算:
>>> b= np.arange(12).reshape(3,4)
>>> b
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>> b.sum(axis=0) # 計算每一列的和,注意理解軸的含義,參考數組的第一篇文章
array([12, 15, 18, 21])
>>> b.min(axis=1) # 獲取每一行的最小值
array([0, 4, 8])
>>> b.cumsum(axis=1) # 計算每一行的累積和
array([[ 0, 1, 3, 6],
[ 4, 9, 15, 22],
[ 8, 17, 27, 38]])
參考和轉載:
http://blog.csdn.net/sunny2038/article/details/9023797