numpy如何實現算術運算

這篇文章給大家分享的是有關 numpy如何實現算術運算的內容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

numpy算數運算函數

1.numpy.add(x1, x2[, out ]) = ufunc‘add’
求和

>>> np.add(1.0, 4.0)5.0>>> x1 = np.arange(9.0).reshape((3, 3))[[ 0. 1. 2.] [ 3. 4. 5.] [ 6. 7. 8.]]>>> x2 = np.arange(3.0)
[ 0.  1.  2.]
>>> np.add(x1, x2)
array([[ 0., 2., 4.], [ 3., 5., 7.], [ 6., 8., 10.]])

2.numpy.reciprocal(x[, out ]) = ufunc ‘reciprocal’
求倒數

>>> np.reciprocal(2.)
0.5>>> np.reciprocal([1, 2., 3.33])array([ 1. , 0.5 , 0.3003003])

3.numpy.negative(x[, out ]) = ufunc ‘negative’
求相反數

>>> np.negative([1.,-1.])array([-1., 1.])

4.numpy.multiply(x1, x2[, out ]) = ufunc ‘multiply’
求積

>>> np.multiply(2.0, 4.0)8.0>>> x1 = np.arange(9.0).reshape((3, 3))
>>> x2 = np.arange(3.0)
>>> np.multiply(x1, x2)
array([[ 0., 1., 4.], [ 0., 4., 10.], [ 0., 7., 16.]])

5.numpy.divide(x1, x2[, out ]) = ufunc ‘divide’
求商

>>> np.divide(2.0, 4.0)0.5>>> x1 = np.arange(9.0).reshape((3, 3))
>>> x2 = np.arange(3.0)
>>> np.divide(x1, x2)
array([[ NaN, 1. , 1. ], [ Inf, 4. , 2.5], [ Inf, 7. , 4. ]])

numpy.true_divide(x1, x2[, out ]) = ufunc ‘true_divide’

>>> x = np.arange(5)
>>> np.true_divide(x, 4)array([ 0. , 0.25, 0.5 , 0.75, 1. ])
>>> x/4array([0, 0, 0, 0, 1])
>>> x//4array([0, 0, 0, 0, 1])

numpy.floor_divide(x1, x2[, out ]) = ufunc ‘floor_divide’

>>> np.floor_divide(7,3)
2
>>> np.floor_divide([1., 2., 3., 4.], 2.5)array([ 0., 0., 1., 1.])

6.numpy.power(x1, x2[, out ]) = ufunc ‘power’
求冪

>>> x1 = range(6)>>> x1
[0, 1, 2, 3, 4, 5]>>> np.power(x1, 3)
array([ 0, 1, 8, 27, 64, 125])>>> x2 = [1.0, 2.0, 3.0, 3.0, 2.0, 1.0]>>> np.power(x1, x2)
array([ 0., 1., 8., 27., 16., 5.])

7.numpy.subtract(x1, x2[, out ]) = ufunc ‘subtract’
求差

>>> np.subtract(1.0, 4.0)
-3.0>>> x1 = np.arange(9.0).reshape((3, 3))
>>> x2 = np.arange(3.0)
>>> np.subtract(x1, x2)
array([[ 0., 0., 0.], [ 3., 3., 3.], [ 6., 6., 6.]])

8.numpy.fmod(x1, x2[, out ]) = ufunc ‘fmod’
求余

>>> np.fmod([-3, -2, -1, 1, 2, 3], 2)
array([-1, 0, -1, 1, 0, 1])
>>> np.remainder([-3, -2, -1, 1, 2, 3], 2)
array([1, 0, 1, 1, 0, 1])
>>> np.fmod([5, 3], [2, 2.])
array([ 1., 1.])
>>> a = np.arange(-3, 3).reshape(3, 2)
>>> a
array([[-3, -2], [-1, 0], [ 1, 2]])
>>> np.fmod(a, [2,2])
array([[-1, 0], [-1, 0], [ 1, 0]])

numpy.mod(x1, x2[, out ]) = ufunc ‘remainder’

>>> np.remainder([4, 7], [2, 3])array([0, 1])
>>> np.remainder(np.arange(7), 5)array([0, 1, 2, 3, 4, 0, 1])

numpy.remainder(x1, x2[, out ]) =

>>> np.remainder([4, 7], [2, 3])array([0, 1])
>>> np.remainder(np.arange(7), 5)array([0, 1, 2, 3, 4, 0, 1])

9.numpy.modf(x[, out1, out2 ]) = ufunc ‘modf’
求整，求小數

>>> np.modf([0, 3.5])
(array([ 0. , 0.5]), array([ 0., 3.]))
>>> np.modf(-0.5)
(-0.5, -0)

感謝各位的閱讀！關于“ numpy如何實現算術運算”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，讓大家可以學到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！