Numpy 常量

NumPy包括幾個常量：
np.e、np.pi、 np.inf、 np.nan、np.NINF、np.PZERO & np.NZERO、np.euler_gamma、np.newaxis

np.e

exp : 指數函數日誌：自然對數。
也稱爲歐拉的常數，自然對數的基礎，納皮爾的常數。

e = 2.71828182845904523536028747135266249775724709369995…

np.pi

pi：圓周率
pi = 3.1415926535897932384626433…

np.inf

注意!
Inf，Infinity，PINF 和 infty 是 inf 的別名
NumPy 使用IEEE二進制浮點算法標準（IEEE 754）， 表示（正）無窮大
這意味着Not a Number不等於無窮大。 此外，正無窮大不等於負無窮大。 但無窮大相當於正無窮大。

返回

• y : float （正無窮大的浮點表示。）

另見

• isinf : 顯示哪些元素爲正或負無窮大。
• isposinf : 顯示哪些元素是正無窮大。
• isneginf : 顯示哪些元素爲負無窮大。
• isnan : 顯示哪些元素不是數字。
• isfinite : 顯示哪些元素是有限的（不是非數字，正無窮大和負無窮大中的一個）

>>> np.inf
inf
>>> np.array([1]) / 0.
array([ Inf])

np.nan

注意! NaN 和 NAN 是 nan 的別名。
NumPy使用IEEE二進制浮點算法標準（IEEE 754），表示非數字（NaN）
這意味着Not a Number不等於無窮大。

另見

• isnan : 顯示哪些元素不是數字。
• isfinite : 顯示哪些元素是有限的（不是非數字，正無窮大和負無窮大中的一個）

>>> np.nan
nan
>>> np.log(-1)
nan
>>> np.log([-1, 1, 2])
array([ NaN , 0. , 0.69314718 ])

np.NINF

注意!
NumPy使用IEEE二進制浮點算法標準（IEEE 754），表示負無窮大
這意味着Not a Number不等於無窮大。 此外，正無窮大不等於負無窮大。 但無窮大相當於正無窮大。

返回

• y : float (負無窮大的浮點表示)

>>> np.NINF
-inf
>>> np.log(0)
-inf

np.PZERO & np.NZERO

注意
np.PZERO 表示正零，正零被認爲是有限數。
np.NZERO 表示負零，負零被認爲是有限數。

返回

• y = np.PZERO() : float （正零的浮點表示）
• y = np.NZERO() : float （負零點的浮點表示)

另外

• isinf : 顯示哪些元素爲正或負無窮大。
• isposinf : 顯示哪些元素是正無窮大。
• isneginf : 顯示哪些元素爲負無窮大。
• isnan : 顯示哪些元素不是數字。
• isfinite : 顯示哪些元素是有限的 - 不是（非數字，正無窮大和負無窮大）之一。

>>> np.PZERO
0.0
>>> np.NZERO
-0.0

>>> np.isfinite([np.PZERO])
array([ True])
>>> np.isnan([np.PZERO])
array([False])
>>> np.isinf([np.PZERO])
array([False])

____________________________________________________________________

>>> np.NZERO
-0.0
>>> np.PZERO
0.0

>>> np.isfinite([np.NZERO])
array([ True])
>>> np.isnan([np.NZERO])
array([False])
>>> np.isinf([np.NZERO])
array([False])

np.euler_gamma

γ = 0.5772156649015328606065120900824024310421…

np.newaxis

None 的便捷別名，對索引數組很有用。

>>> newaxis is None
True
>>> x = np.arange(3)
>>> x
array([0, 1, 2])
>>> x[:, newaxis]
array([[0],
[1],
[2]])
>>> x[:, newaxis, newaxis]
array([[[0]],
[[1]],
[[2]]])
>>> x[:, newaxis] * x
array([[0, 0, 0],
[0, 1, 2],
[0, 2, 4]])

外積，與 outer(x, y) 相同：

>>> y = np.arange(3, 6)
>>> x[:, newaxis] * y
array([[ 0,  0,  0],
[ 3,  4,  5],
[ 6,  8, 10]])

x[newaxis, :] 相當於 x[newaxis] 和 x[None]：

>>> x[newaxis, :].shape
(1, 3)
>>> x[newaxis].shape
(1, 3)
>>> x[None].shape
(1, 3)
>>> x[:, newaxis].shape
(3, 1)