หากต้องการหาค่าสูงสุด (maximum) ของอาร์เรย์ หรือหาค่าสูงสุดโดยข้ามค่า NaN ให้ใช้เมธอด numpy.nanmax() ใน Python เมธอดนี้จะคืนค่าอาร์เรย์ที่มีรูปร่างเหมือนเดิม แต่ลบแกน (axis) ที่ระบุออกไป หาก a เป็นอาร์เรย์ 0 มิติ หรือ axis เป็น None จะคืนค่าเป็นสเกลาร์ ndarray ชนิดข้อมูล (dtype) เดียวกับ a จะถูกคืนค

หากต้องการหาค่าสูงสุด (maximum) ของอาร์เรย์ หรือหาค่าสูงสุดโดยข้ามค่า NaN ให้ใช้เมธอด numpy.nanmax() ใน Python เมธอดนี้จะคืนค่าอาร์เรย์ที่มีรูปร่างเหมือนเดิม แต่ลบแกน (axis) ที่ระบุออกไป หาก a เป็นอาร์เรย์ 0 มิติ หรือ axis เป็น None จะคืนค่าเป็นสเกลาร์ ndarray ชนิดข้อมูล (dtype) เดียวกับ a จะถูกคืนค

หากต้องการคำนวณรากที่สองของอินพุต ให้ใช้เมธอด np.emath.sqrt() (หรือ scimath.sqrt()) ใน NumPy เมธอดนี้จะคืนค่ารากที่สองของ x หาก x เป็นสเกลาร์ ผลลัพธ์จะเป็นสเกลาร์เช่นกัน มิฉะนั้นจะคืนค่าเป็นอาร์เรย์ พารามิเตอร์ x คือค่าอินพุต สำหรับองค์ประกอบอินพุตที่เป็นลบ จะคืนค่าเป็นจำนวนเชิงซ้อน ขั้นตอนการใช้งา

หากต้องการคำนวณรากที่สอง (square root) ของค่าอินพุต ให้ใช้เมธอด np.emath.sqrt() ใน NumPy เมธอดนี้จะคืนค่ารากที่สองของ x หาก x เป็นสเกลาร์ ผลลัพธ์จะเป็นสเกลาร์เช่นกัน มิฉะนั้นจะคืนค่าเป็นอาร์เรย์ สำหรับค่าอินพุตที่เป็นลบ จะคืนค่าเป็นจำนวนเชิงซ้อน (complex value) พารามิเตอร์หลัก x: ค่าอินพุตที่ต้องก

หากต้องการคำนวณลอการิทึมธรรมชาติ (natural logarithm) โดยใช้โมดูล scimath ใน NumPy ให้ใช้เมธอด np.emath.log() เมธอดนี้จะคืนค่า log ของค่า x ที่ระบุ หาก x เป็นสเกลาร์ (ค่าเดียว) ผลลัพธ์จะเป็นสเกลาร์เช่นกัน มิฉะนั้นจะคืนค่าเป็นอาร์เรย์ พารามิเตอร์หลัก x: ค่า หรืออาร์เรย์ของค่าที่ต้องการหาลอการิทึมธรร

ฟังก์ชัน numpy.emath.log2() คำนวณ log2 รองรับค่าพิเศษเช่น inf, -inf และค่าลบ ขั้นตอน import numpy as np arr = np.array([np.inf, -np.inf, 16, np.exp(1), -np.exp(1), -32]) print(Our Array...\n, arr) print(\nDimensions of our Array...\n, arr.ndim) print(\nDatatype of our Array object...\n, arr.dtype)

ฟังก์ชัน numpy.emath.logn() คำนวณลอการิทึมฐาน n (n เป็นจำนวนเต็ม) รองรับค่าลบโดยให้ผลลัพธ์เป็นเชิงซ้อน ขั้นตอน import numpy as np arr = np.array([-4, -8, 8]) print(Our Array...\n, arr) print(\nDimensions of our Array...\n, arr.ndim) print(\nDatatype of our Array object...\n, arr.dtype) print(\nSha

ฟังก์ชัน numpy.emath.log10() คำนวณ log10 รองรับค่าลบโดยให้ผลลัพธ์เป็นเชิงซ้อน ขั้นตอน import numpy as np arr = np.array([10**1, -10**1, -10**2, 10**2, -10**3, 10**3]) print(Our Array...\n, arr) print(\nDimensions of our Array...\n, arr.ndim) print(\nDatatype of our Array object...\n, arr.dtype) pr

ใช้ np.emath.power() กับอาร์เรย์ที่มีค่าบวกทั้งหมด ผลลัพธ์จะเป็นจำนวนจริง ขั้นตอน import numpy as np arr = np.array([2, 4, 8, 16, 32]) print(Our Array...\n, arr) print(\nDimensions of our Array...\n, arr.ndim) print(\nDatatype of our Array object...\n, arr.dtype) print(\nShape of our Array object.

ฟังก์ชัน numpy.emath.power() คำนวณ x**p หาก x มีค่าลบ ผลลัพธ์จะเป็นชนิดเชิงซ้อน ขั้นตอน import numpy as np arr = np.array([2, -4, -8, 16, -32]) print(Our Array...\n, arr) print(\nDimensions of our Array...\n, arr.ndim) print(\nDatatype of our Array object...\n, arr.dtype) print(\nShape of our Arra

ฟังก์ชัน numpy.emath.arccos() คำนวณ arccos สำหรับค่าจริงที่ |x| <= 1 ได้ค่าจริงในช่วง [0, π] มิฉะนั้นได้ค่าเชิงซ้อน ขั้นตอน import numpy as np arr = np.array([1, -1, 2, 0]) print(Array...\n, arr) print(\nOur Array type...\n, arr.dtype) print(\nOur Array Dimensions...\n, arr.ndim) print(\nNumber of

ฟังก์ชัน numpy.emath.arcsin() คำนวณ arcsin สำหรับค่าจริงที่ |x| <= 1 ได้ค่าจริงในช่วง [-π/2, π/2] มิฉะนั้นได้ค่าเชิงซ้อน ขั้นตอน import numpy as np arr = np.array([0, 1, -1, 2]) print(Array...\n, arr) print(\nOur Array type...\n, arr.dtype) print(\nOur Array Dimensions...\n, arr.ndim) print(\nNumb

ฟังก์ชัน numpy.emath.arctanh() คำนวณค่า arctanh (inverse hyperbolic tangent) สำหรับค่าที่เป็นจำนวนจริงซึ่ง |x| 1 หรือ x เป็นเชิงซ้อน จะได้ผลลัพธ์เชิงซ้อน ขั้นตอน import numpy as np arr = np.array([0, 1j, 2j]) print(Array...\n, arr) print(\nOur Array type...\n, arr.dtype) print(\nOur Array Dimensi

ตัวอย่างเพิ่มเติมของ numpy.vdot() กับเวกเตอร์เชิงซ้อน 1 มิติ ขั้นตอน import numpy as np arr1 = np.array([2+3j, 5+6j]) arr2 = np.array([9+10j, 11+12j]) print(Array1...\n, arr1) print(\nArray2...\n, arr2) print(\nDimensions of Array1...\n, arr1.ndim) print(\nDimensions of Array2...\n, arr2.ndim) pri

numpy.vdot() ทำงานกับอาร์เรย์หลายมิติโดยทำให้แบน (flatten) เป็น 1 มิติก่อนคำนวณ ไม่ได้ทำการคูณเมทริกซ์ ขั้นตอน import numpy as np arr1 = np.array([[5, 10], [15, 20]]) arr2 = np.array([[3, 6], [9, 12]]) print(Array1...\n, arr1) print(\nArray2...\n, arr2) print(\nDimensions of Array1...\n, arr1.ndim

ฟังก์ชัน numpy.vdot() คำนวณผลคูณจุดของเวกเตอร์ 1 มิติ จัดการกับจำนวนเชิงซ้อนโดยใช้ complex conjugate ของอาร์กิวเมนต์แรก ขั้นตอน import numpy as np arr1 = np.array([2+3j, 5+6j]) arr2 = np.array([9+10j, 11+12j]) print(Array1...\n, arr1) print(\nArray2...\n, arr2) print(\nDimensions of Array1...\n, a

ฟังก์ชัน numpy.inner() คำนวณผลคูณภายใน (inner product) ของสองอาร์เรย์ สำหรับอาร์เรย์ 1 มิติ คือผลคูณภายในทั่วไป สำหรับมิติสูงกว่า คือผลรวมของผลคูณตามแกนสุดท้าย ขั้นตอน import numpy as np arr1 = np.array([5, 10, 15]) arr2 = np.array([20, 25, 30]) print(Array1...\n, arr1) print(\nArray2...\n, arr2)

ฟังก์ชัน numpy.char.endswith() คืนค่าอาร์เรย์บูลีนที่ระบุว่าสตริงแต่ละตัวในอาร์เรย์ลงท้ายด้วยคำต่อท้าย (suffix) ที่กำหนดหรือไม่ ขั้นตอน import numpy as np arr = np.array([KATIE, JOHN, KATE, AmY, BRADley]) print(Array...\n, arr) print(\nArray datatype...\n, arr.dtype) print(\nArray Dimensions...\n,

เมธอด polynomial.hermite.hermadd() บวกอนุกรมเฮอร์ไมท์สองอนุกรม คืนค่าอาร์เรย์ผลรวม ขั้นตอน import numpy as np from numpy.polynomial import hermite as H c1 = np.array([1, 2, 3]) c2 = np.array([3, 2, 1]) print(Array1...\n, c1) print(\nArray2...\n, c2) print(\nArray1 datatype...\n, c1.dtype) print(\n

ใช้ hermval() กับ tensor=False ทำให้ x ถูก broadcast ไปยังคอลัมน์ของอาร์เรย์係ณหลายมิติ แทนที่จะประเมินทุกคู่ ขั้นตอน import numpy as np from numpy.polynomial import hermite as H c = np.arange(4).reshape(2, 2) print(Our Array...\n, c) print(\nDimensions of our Array...\n, c.ndim) print(\nDatatype o