ในการแปลงอาร์เรย์ของ datetime เป็นอาร์เรย์ของสตริง ใช้เมธอด numpy.datetime_as_string() ใน NumPy ส่งคืนอาร์เรย์สตริงรูปร่างเท่าอินพุต พารามิเตอร์แรกคืออาร์เรย์ timestamp UTC ที่ต้องการจัดรูปแบบ พารามิเตอร์ที่สองคือ timezone ข้อมูลโซนเวลาเพื่อใช้แสดง datetime หาก UTC จะลงท้ายด้วย Z เพื่อบ่งบอกเวลา UTC
ลอการิทึมธรรมชาติ (natural logarithm) log เป็นฟังก์ชันผกผันของ exponential ดังนั้น log(exp(x)) = x ลอการิทึมธรรมชาติคือลอการิทึมฐาน e เมธอดส่งคืนลอการิทึมธรรมชาติของ x แบบ element-wise เป็นสเกลาร์หาก x เป็นสเกลาร์ พารามิเตอร์แรกคือค่าอินพุต array-like พารามิเตอร์ที่สอง out ตำแหน่งจัดเก็บผลลัพธ์ หากร
ในการคืนค่าลอการิทึมฐาน 2 ของอาร์เรย์อินพุต ใช้เมธอด numpy.log2() ใน NumPy ส่งคืน Base-2 logarithm of x เป็นสเกลาร์หาก x เป็นสเกลาร์ พารามิเตอร์แรก x คือค่าอินพุต array-like พารามิเตอร์ที่สอง out ตำแหน่งจัดเก็บผลลัพธ์ หากระบุ ต้องมีรูปร่างที่อินพุต broadcast ได้ หากไม่ระบุหรือเป็น None ส่งคืนอาร์เรย
ในการกำหนดชนิดข้อมูลร่วมตามกฎการบังคับมาตรฐาน (standard coercion rules) ใช้เมธอด numpy.find_common_type() ใน NumPy อาร์กิวเมนต์แรกคือรายการ dtypes หรือออบเจ็กต์ที่แปลงเป็น dtype ได้ แทนอาร์เรย์ อาร์กิวเมนต์ที่สองคือรายการ dtypes หรือออบเจ็กต์ที่แปลงเป็น dtype ได้ แทนสเกลาร์ เมธอด find_common_type()
ในการคืนค่าลอการิทึมฐาน 2 ของอาร์เรย์อินพุต ใช้เมธอด numpy.log2() ใน NumPy เมธอดนี้ส่งคืน Base-2 logarithm of x เป็นสเกลาร์หาก x เป็นสเกลาร์ พารามิเตอร์แรก x คือค่าอินพุต array-like พารามิเตอร์ที่สอง out คือตำแหน่งจัดเก็บผลลัพธ์ หากระบุ ต้องมีรูปร่างที่อินพุต broadcast ได้ หากไม่ระบุหรือเป็น None จะ
ในการแปลงอาร์เรย์ของ datetime เป็นอาร์เรย์ของสตริง ใช้เมธอด numpy.datetime_as_string() ใน NumPy เมธอดนี้ส่งคืนอาร์เรย์สตริงที่มีรูปร่างเท่ากับอินพุต พารามิเตอร์แรกคืออาร์เรย์ timestamp UTC ที่ต้องการจัดรูปแบบ พารามิเตอร์ที่สองคือ timezone ข้อมูลโซนเวลาเพื่อใช้แสดง datetime หากเป็น UTC จะลงท้ายด้วย
เมธอด numpy.can_cast() ส่งคืน True หากสามารถแปลงระหว่างสเกลาร์อาร์เรย์และชนิดข้อมูลได้ตามกฎการหล่อ (casting rule) พารามิเตอร์แรกคือสเกลาร์ ชนิดข้อมูล หรืออาร์เรย์ที่จะแปลงจาก พารามิเตอร์ที่สองคือชนิดข้อมูลที่จะแปลงเป็น ขั้นตอน ขั้นแรก ให้นำเข้าไลบรารี: import numpy as np ตรวจสอบการแปลงตามกฎการหล่อ
ในการคืนค่าชนิดสเกลาร์ที่ร่วมกันของอาร์เรย์อินพุต ใช้เมธอด numpy.common_type() ใน NumPy พารามิเตอร์แรกคืออาร์เรย์อินพุต ชนิดคืนค่าจะเป็น inexact (จุดลอยตัว) เสมอ แม้อาร์เรย์ทั้งหมดจะเป็นจำนวนเต็ม หากอินพุตหนึ่งเป็นอาร์เรย์จำนวนเต็ม ชนิดความแม่นยำขั้นต่ำที่คืนคือ 64-bit floating point dtype อาร์เรย์
ในการดูขีดจำกัดของเครื่องสำหรับชนิดข้อมูลจำนวนเต็ม ใช้เมธอด numpy.iinfo() ใน NumPy พารามิเตอร์แรกคือชนิดข้อมูลจำนวนเต็มที่ต้องการข้อมูล ขั้นตอน ขั้นแรก ให้นำเข้าไลบรารี: import numpy as np min คือค่าต่ำสุดของ dtype ที่กำหนด และ max คือค่าสูงสุด ตรวจสอบชนิด int16: a = np.iinfo(np.int16) print(Mini
ในการดูขีดจำกัดของเครื่องสำหรับชนิดข้อมูลจำนวนเต็ม ใช้เมธอด numpy.iinfo() ใน NumPy พารามิเตอร์แรกคือชนิดข้อมูลจำนวนเต็มที่ต้องการข้อมูล ขั้นตอน ขั้นแรก ให้นำเข้าไลบรารี: import numpy as np min คือค่าต่ำสุดของ dtype ที่กำหนด และ max คือค่าสูงสุด ตรวจสอบชนิด int16 พร้อมอินสแตนซ์: a = np.iinfo(np.in
ในการดูขีดจำกัดของเครื่อง (machine limits) สำหรับชนิดข้อมูลจุดลอยตัว ใช้เมธอด numpy.finfo() ใน NumPy พารามิเตอร์แรกคือชนิดข้อมูลจุดลอยตัวที่ต้องการข้อมูล ขั้นตอน ขั้นแรก ให้นำเข้าไลบรารี: import numpy as np min คือค่าต่ำสุดของ dtype ที่กำหนด และ max คือค่าสูงสุด ตรวจสอบชนิด float16: a = np.finfo(
ในการคำนวณ Hyperbolic Tangent ใช้เมธอด numpy.tanh() ใน NumPy เทียบเท่ากับ np.sinh(x)/np.cosh(x) หรือ -1j * np.tan(1j*x) ส่งคืนค่า hyperbolic tangent ที่สอดคล้องกัน เป็นสเกลาร์หากอินพุตเป็นสเกลาร์ พารามิเตอร์แรก x คืออาร์เรย์อินพุต พารามิเตอร์ที่ 2 และ 3 เป็นตัวเลือก พารามิเตอร์ที่ 2 คือ ndarray ตำแ
ในการคำนวณ Hyperbolic Tangent (ฟังก์ชันเหยื่อทรงรี) ขององค์ประกอบอาร์เรย์ ใช้เมธอด numpy.tanh() ใน NumPy เมธอดนี้เทียบเท่ากับ np.sinh(x)/np.cosh(x) หรือ -1j * np.tan(1j*x) ส่งคืนค่า hyperbolic tangent ที่สอดคล้องกัน เป็นสเกลาร์หากอินพุตเป็นสเกลาร์ พารามิเตอร์แรก x คืออาร์เรย์อินพุต พารามิเตอร์ที่ 2
ในการหาจำนวนบิตในส่วนเลขชี้กำลัง (exponent) ของการแสดงจุดลอยตัว สามารถใช้แอตทริบิวต์ iexp ของเมธอด numpy.finfo() ในไลบรารี NumPy พารามิเตอร์แรกคือชนิดข้อมูลจุดลอยตัวที่ต้องการข้อมูล ขั้นตอน ขั้นแรก ให้นำเข้าไลบรารีที่จำเป็น: import numpy as np ตรวจสอบชนิด float16 แอตทริบิวต์ iexp ใช้สำหรับหาจำนวนบ
ภาพรวม ใช้ attribute precision ของ numpy.finfo() หาจำนวนหลักทศนิยมประมาณที่ float ชนิดนั้นแม่นยำ finfo() รับ parameter คือ float dtype ที่ต้องการข้อมูล Attributes หลักของ finfo precision: จำนวนทศนิยมประมาณที่แม่นยำ iexp: จำนวนบิตในส่วน exponent min: ค่าต่ำสุดของ dtype max: ค่าสูงสุดของ dtype ขั
ภาพรวม ใช้ numpy.min_scalar_type() หา minimal data type ที่สามารถเก็บค่าได้ สำหรับ scalar: dtype ขนาดเล็กที่สุดและ kind เล็กที่สุดที่จุค่าได้ สำหรับ non-scalar array: คืน dtype เดิม ไม่ demote float→int หรือ complex→float พารามิเตอร์ value: ค่าที่ต้องการหา minimal data type ขั้นตอนการทำงาน 1. น
ภาพรวม ใช้ numpy.result_type() คืน dtype ที่ได้จากการ apply NumPy type promotion rules กับ arguments การ promote types ใน NumPy คล้าย C++ แต่มีความแตกต่างเล็กน้อย ถ้ามีทั้ง scalars และ arrays array type จะมี precedence และค่าจริงของ scalar ถูกนำไปพิจารณา พารามิเตอร์ operands: operands ของ operati
ภาพรวม ใช้ numpy.nancumsum() คำนวณ cumulative sum ตาม axis=0 โดยถือ NaN เป็น 0 ขั้นตอนการทำงาน 1. นำเข้า NumPy import numpy as np 2. สร้างอาร์เรย์ 2D พร้อม NaN arr = np.array([[10, 20, 30], [40, np.nan, 60]]) 3. แสดงข้อมูลอาร์เรย์ print(Our Array...\n, arr) print(\nDimensions of our Array...\n,
ภาพรวม ใช้ numpy.nancumsum() คำนวณ cumulative sum ตาม axis=1 โดยถือ NaN เป็น 0 cumulative sum ไม่เปลี่ยนเมื่อเจอ NaN leading NaN กลายเป็น 0 หมายเหตุ: บทความต้นฉบับอ้าง nancumprod() ผิด ควรเป็น nancumsum() พารามิเตอร์ a: อาร์เรย์อินพุท axis: axis ที่คำนวณ (default None = flattened) dtype (optiona
ภาพรวม ใช้ numpy.issctype() ตรวจสอบว่า object ที่ให้มาประกอบ scalar data-type หรือไม่ คืนค่า Boolean True: ถ้า rep เป็น instance ของ scalar dtype False: ถ้าไม่ใช่ (รวมถึง scalar values เช่น int, float ตรงๆ) พารามิเตอร์ rep: object ที่ต้องการตรวจสอบ ขั้นตอนการทำงาน 1. นำเข้า NumPy import nump
