在瞭解了 Numpy 的基本運算操作，下面來看下 Numpy常用的函式。

數學運算函式
 
 add（x1，x2 [，out]）                         按元素新增引數，等效於 x1 + x2
 subtract（x1，x2 [，out]）                   按元素方式減去引數，等效於x1 - x2
 multiply（x1，x2 [，out]）                   逐元素乘法引數，等效於x1 * x2
 divide（x1，x2 [，out]）                      逐元素除以引數，等效於x1 / x2
 exp（x [，out]）                                 計算輸入陣列中所有元素的指數。
 exp2（x [，out]）                               對於輸入陣列中的所有p，計算2 ** p。
 log（x [，out]）                                  自然對數，逐元素。
 log2（x [，out]）                                x的基礎2對數。
 log10（x [，out]）                              以元素為單位返回輸入陣列的基數10的對數。
 expm1（x [，out]）                            對陣列中的所有元素計算exp（x） - 1
 log1p（x [，out]）                              返回一個加自然對數的輸入陣列，元素。
 sqrt（x [，out]）                                按元素方式返回陣列的正平方根。
 square（x [，out]）                            返回輸入的元素平方。
 sin（x [，out]）                                 三角正弦。
 cos（x [，out]）                                元素餘弦。
 tan（x [，out]）                                逐元素計算切線。
 

>>> x = np.random.randint(4,size=6).reshape(2,3)
>>> x
array([[2, 0, 3],[2, 3, 3]])
>>> y = np.random.randint(4, size=6).reshape(2,3)
>>> y
array([[1, 3, 1], [1, 1, 0]])
>>>
>>> x + y
array([[3, 3, 4],[3, 4, 3]])
>>> np.add(x, y)
array([[3, 3, 4],[3, 4, 3]])
>>> np.square(x)
array([[4, 0, 9], [4, 9, 9]])
>>> np.log1p(x)
array([[ 1.09861229,  0.        ,  1.38629436],[ 1.09861229,1.38629436,  1.38629436]])

規約函式

下面所有的函式都支援axis來指定不同的軸，用法都是類似的。



 
 ndarray.sum（[axis，dtype，out，keepdims]）返回給定軸上的陣列元素的總和。
 ndarray.cumsum（[axis，dtype，out]）返回沿給定軸的元素的累積和。
 ndarray.mean（[axis，dtype，out，keepdims]）返回沿給定軸的陣列元素的平均值。
 ndarray.var（[axis，dtype，out，ddof，keepdims]）沿給定軸返回陣列元素的方差。
 ndarray.std（[axis，dtype，out，ddof，keepdims]） 返回給定軸上的陣列元素的標準偏差。
 ndarray.argmax（[axis，out]）沿著給定軸的最大值的返回索引。
 ndarray.min（[axis，out，keepdims]）沿給定軸返回最小值。
 ndarray.argmin（[axis，out]）沿著給定軸的最小值的返回索引。
 
>>> x = np.random.randint(10,size=6).reshape(2,3)
>>> x
array([[3, 7, 0], [7, 1, 3]])
>>> np.sum(x)
21
>>> np.sum(x, axis=0)
array([10,  8,  3])
>>> np.sum(x, axis=1)
array([10, 11])
>>> np.argmax(x)
1
>>> np.argmax(x, axis=0)
array([1, 0, 1], dtype=int64)
>>> np.argmax(x, axis=1)
array([1, 0], dtype=int64)




     腦洞科技棧專注於人工智慧與量化投資領域