NumPy教程之（四）

NumPy针对数组（array）的基本数学操作函数一般是逐元素进行的，比如矩阵的加减运算，线性代数上的矩阵运算则有专门的函数，如dot函数等，具体看示例。

>>> 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)

数组的有些数学运算，如+=和*=，施行的是原位运算，即直接修改覆盖原来的变量，而不是新建一个变量，如下所示：

当遇到类型不同的数组进行运算的时候，NumPy同C/C++一样，都是向上转换，如整型向浮点型转换，反过来会出现截断错误，一般禁止反向转换。如下所示：

>>> a = np.ones(3, dtype=np.int32)
>>> b = np.linspace(0,pi,3)
>>> b.dtype.name
'float64'
>>> c = a+b
>>> c
array([ 1. , 2.57079633, 4.14159265])
>>> c.dtype.name
'float64'
>>> d = np.exp(c*1j)
>>> d
array([ 0.54030231+0.84147098j, -0.84147098+0.54030231j,
-0.54030231-0.84147098j])
>>> d.dtype.name
'complex128'

许多一元运算，例如计算数组中所有元素的和，被作为类 ndarray的方法，如下所示：

由前边的示例，貌似可以得出，应用于数组的那些运算就像是进行Python的列表（list）运算，好像数组的shape可以忽略似的，其实，我们可以通过axis参数指定按照哪一维进行运算的，就像Matlab下按行还是按列计算一样，其中axis=0表示按列运算，axis=1表示按行运算，如下所示：