เพื่อแก้สมการเมทริกซ์เชิงเส้น ax = b ให้ใช้ numpy.linalg.solve() คำนวณคำตอบ exact สำหรับระบบที่ well-determined (full rank) คืนค่า x ที่มีรูปร่างเหมือน b พารามิเตอร์สำคัญ a: เมทริกซ์係พ (coefficient matrix) b: ค่าอordinate หรือ dependent variable values ขั้นตอนการใช้งาน import numpy as np ตั

เมธอด numpy.char.index() คืนดัชนีต่ำสุดที่พบซับสตริง sub ในแต่ละสตริงของอาร์เรย์ 1 มิติ หากไม่พบจะ raise ValueError ขั้นตอนการใช้งาน import numpy as np สร้างอาร์เรย์สตริงและค้นหา AT arr = np.array([KATIE, KATE]) print(Array...\n, arr) print(\nArray datatype...\n, arr.dtype) print(\nArray Dimension

เมธอด numpy.square() คำนวณกำลังสองทีละองค์ประกอบ (element-wise) สำหรับอินพุททุกชนิด รวมถึงค่าฤทธิ์ (complex) คืนค่า x*x รูปร่างและ dtype เดียวกับ x ขั้นตอนการใช้งาน import numpy as np สร้างอาร์เรย์ค่าฤทธิ์และตรวจสอบคุณสมบัติ arr = np.array([[3 + 4j, 5 + 7j], [2 + 6j, -2j]]) print(Our Array...\n, a

เมธอด numpy.char.index() คืนดัชนีต่ำสุดที่พบซับสตริง sub ในแต่ละสตริงของอาร์เรย์ หากไม่พบจะ raise ValueError พารามิเตอร์ start และ end จำกัดช่วงค้นหาแบบ slice notation ขั้นตอนการใช้งาน import numpy as np สร้างอาร์เรย์สตริงและค้นหา AT ในช่วงที่ 1-4 arr = np.array([KATIE, KATE, CRATE]) print(Array..

ใช้ numpy.nan_to_num() เพื่อแทนที่ NaN ด้วย 0.0 และ infinity ด้วยตัวเลขจำกัดขนาดใหญ่ (ค่าเริ่มต้น) พารามิเตอร์ copy ควบคุมการสร้างสำเนา (True) หรือแทนที่ในที่เดิม (False) ขั้นตอนการใช้งาน import numpy as np สร้างอาร์เรย์ทดสอบ arr = np.array([np.inf, -np.inf, np.nan, -128, 128]) print(Our Array...\

เพื่อแทนที่ NaN ด้วยศูนย์ และ infinity ด้วยตัวเลขจำกัดขนาด (large finite numbers) ให้ใช้ numpy.nan_to_num() พารามิเตอร์ nan ระบุค่าเติมสำหรับ NaN (ค่าเริ่มต้น 0.0) posinf และ neginf สำหรับ infinity บวกและลบ ขั้นตอนการใช้งาน import numpy as np สร้างอาร์เรย์มี inf, -inf, NaN arr = np.array([np.inf,

เพื่อแก้สมการเทนเซอร์ (tensor equation) ให้ใช้ numpy.linalg.tensorsolve() สมมติว่าดัชนีทั้งหมดของ x ถูกรวมในผลคูณ พร้อมกับดัชนีขวาสุดของ a คล้ายกับ tensordot(a, x, axes=b.ndim) พารามิเตอร์สำคัญ a: เทนเซอร์係พ รูปร่าง b.shape + Q โดย Q ต้องทำให้ prod(Q) == prod(b.shape) b: เทนเซอร์ด้านขวา รูปร่า

เพื่อคำนวณค่าผกผันแบบคูณ (multiplicative inverse) ของเมทริกซ์ ให้ใช้ numpy.linalg.inv() กำหนดให้เมทริกซ์กำลังสอง a คืนค่า ainv ที่ทำให้ dot(a, ainv) = dot(ainv, a) = eye(a.shape[0]) ขั้นตอนการใช้งาน import numpy as np from numpy.linalg import inv สร้างเมทริกซ์ 2x2 และตรวจสอบคุณสมบัติ arr = np.arra

เพื่อหาผลคูณใน (Inner product) ของอาร์เรย์และสเกลาร์ ให้ใช้ numpy.inner() สำหรับอาร์เรย์ 1 มิติเป็น inner product ธรรมดา สำหรับมิติสูงกว่าเป็น sum product บนแก้สุดท้าย ขั้นตอนการใช้งาน import numpy as np สร้างอาร์เรย์ identity 5x5 และสเกลาร์ arr = np.eye(5) val = 2 print(Array...\n, arr) print(\nD

เพื่อหาผลคูณนอก (Outer product) ของสองเวกเตอร์ ให้ใช้ numpy.outer() พารามิเตอร์ a และ b คือเวกเตอร์อินพุต จะถูก flatten หากไม่ใช่ 1 มิติ ผลลัพธ์คือเมทริกซ์ที่แต่ละองค์ประกอบคือผลคูณของคู่จาก a และ b ขั้นตอนการใช้งาน import numpy as np สร้างสองอาร์เรย์ 1 มิติ arr1 = np.array([5, 10, 15]) arr2 = np.

เมธอด numpy.linalg.inv() รองรับการคำนวณ inverse ของหลายเมทริกซ์พร้อมกัน (batch) โดยรับอาร์เรย์ 3 มิติที่แต่ละชิ้นเป็นเมทริกซ์กำลังสอง คืนค่าอาร์เรย์ inverse ของแต่ละเมทริกซ์ ขั้นตอนการใช้งาน import numpy as np from numpy.linalg import inv สร้างอาร์เรย์ 3 มิติประกอบด้วย 2 เมทริกซ์ 2x2 arr = np.arra

เพื่อคำนวณ pseudo-inverse แบบ Moore-Penrose ของเมทริกซ์ ให้ใช้ numpy.linalg.pinv() คำนวณ generalized inverse ผ่าน SVD รวม singular values ที่ใหญ่ พารามิเตอร์ rcond ควบคุม cutoff ของ singular values เล็ก ขั้นตอนการใช้งาน import numpy as np สร้างเมทริกซ์สุ่ม 9x6 และตรวจสอบคุณสมบัติ arr = np.random.r

เพื่อคืนค่ากำลังสองของอินพุตอาร์เรย์ทีละองค์ประกอบ (element-wise) ให้ใช้ numpy.square() เมธอดนี้คืนค่า x*x ที่มีรูปร่างและ dtype เหมือน x เป็นสเกลาร์หาก x เป็นสเกลาร์ พารามิเตอร์สำคัญ x: ข้อมูลอินพุต out (ไม่บังคับ): ตำแหน่งเก็บผลลัพธ์ ต้อง broadcast ได้ where (ไม่บังคับ): เงื่อนไข broadcast

เพื่อคำนวณ pseudo-inverse แบบ Moore-Penrose ของสแต็กเมทริกซ์ (stack of matrices) ให้ใช้ numpy.linalg.pinv() คำนวณ generalized inverse ผ่าน singular-value decomposition (SVD) รวมค่า singular values ที่ใหญ่ๆ พารามิเตอร์สำคัญ a: เมทริกซ์หรือสแต็กเมทริกซ์ที่ต้องการ pseudo-invert rcond: cutoff สำหร

เพื่อคำนวณค่าผกผันแบบคูณ (multiplicative inverse) ของเมทริกซ์ออบเจ็กต์ที่สร้างด้วย matrix() ให้ใช้ numpy.linalg.inv() กำหนดให้เมทริกซ์กำลังสอง a คืนค่า ainv ที่ทำให้ dot(a, ainv) = dot(ainv, a) = eye(a.shape[0]) ขั้นตอนการใช้งาน import numpy as np from numpy.linalg import inv สร้างอาร์เรย์และแปลงเ

เพื่อคำนวณค่าผกผันของอาร์เรย์ 4 มิติ ให้ใช้ numpy.linalg.tensorinv() คล้ายกับกรณี 3 มิติ แต่ปรับรูปร่างอาร์เรย์เป็น 4 มิติ พารามิเตอร์ ind เริ่มต้นคือ 2 ขั้นตอนการใช้งาน import numpy as np from numpy.linalg import inv สร้างอาร์เรย์และปรับรูปร่างเป็น 4 มิติ arr = np.eye(4*6) arr.shape = (4, 6, 8, 3

เพื่อคำนวณค่าผกผัน (inverse) ของอาร์เรย์ 3 มิติ ให้ใช้ numpy.linalg.tensorinv() ผลลัพธ์คือ inverse สำหรับการดำเนินการ tensordot คือ tensordot(tensorinv(a), a, ind) จะได้ identity tensor พารามิเตอร์ ind คือจำนวนดัชนีแรกที่เกี่ยวข้องกับการ inverse ค่าเริ่มต้นคือ 2 ขั้นตอนการใช้งาน import numpy as np

เพื่อบวกพหุนามสองพหุนาม ให้ใช้ numpy.polynomial.polynomial.polyadd() พารามิเตอร์ c1 และ c2 คืออาร์เรย์ 1 มิติของ係数 เรียงจากอันดับต่ำไปสูง คืนค่าอาร์เรย์係พของผลรวม ขั้นตอนการใช้งาน from numpy.polynomial import polynomial as P ประกาศพหุนาม p1 = (4, 1, 6) # 4 + 1*x + 6*x^2 p2 = (2, 5, 3) # 2 + 5*

เพื่อลบพหุนามหนึ่งออกจากอีกพหุนามหนึ่ง ให้ใช้ numpy.polynomial.polynomial.polysub() พารามิเตอร์ c1 และ c2 คืออาร์เรย์ 1 มิติของ係数 เรียงจากอันดับต่ำไปสูง คืนค่าอาร์เรย์係พของผลต่าง ขั้นตอนการใช้งาน from numpy.polynomial import polynomial as P ประกาศพหุนาม p1 = (3, 1, 6) # 3 + 1*x + 6*x^2 p2 = (2,

เพื่อคูณพหุนามสองพหุนาม ให้ใช้ numpy.polynomial.polynomial.polymul() พารามิเตอร์ c1 และ c2 คืออาร์เรย์ 1 มิติของ係数 (coefficients) เรียงจากพจน์อันดับต่ำสุดไปสูงสุด เช่น [1,2,3] แทน 1 + 2*x + 3*x**2 ขั้นตอนการใช้งาน from numpy.polynomial import polynomial as P ประกาศพหุนามสองตัว p1 = (4, 1, 6) # 4