对数组做基本的算术运算，将会对整个数组的所有元组进行逐一运算，并将运算结果保存在一个新的数组内，而不会破坏原始的数组。
>>> 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])
考虑一个问题，计算b的平方很好理解，各个元素自己算平方就好了。那么对于a-b这种，如果a和b的形状不一样呢？比如a长度为5，b长度为6：
>>> a = np.arange(5) >>> b = np.arange(6) >>> a,b (array([0, 1, 2, 3, 4]), array([0, 1, 2, 3, 4, 5])) >>> c=a-b ValueError Traceback (most recent call last) <ipython-input-27-508c408ffd98> in <module>() ----> 1 c=a-b ValueError: operands could not be broadcast together with shapes (5,) (6,)
结果是弹出异常！不能这么操作！
另外，不同于数学中的矩阵乘法，使用星号做乘号时，numpy对数组的每个元素，一一对应的做乘法。如果要进行矩阵的乘法怎么办？使用@或者dot函数！
>>> A = np.array( [[1,1],
... [0,1]] )
>>> B = np.array( [[2,0],
... [3,4]] )
>>> A * B # 元素间相乘
array([[2, 0],
[0, 4]])
>>> A @ B #矩阵乘法
array([[5, 4],
[3, 4]])
>>> A.dot(B) # 矩阵乘法
array([[5, 4],
[3, 4]])
对于+=和 *= 这一类操作符，会修改原始的数组，而不是新建一个：
>>> a = np.ones((2,3), dtype=int)
>>> b = np.random.random((2,3))
>>> a *= 3
>>> a
array([[3, 3, 3],
[3, 3, 3]])
>>> b += a
>>> b
array([[ 3.417022 , 3.72032449, 3.00011437],
[ 3.30233257, 3.14675589, 3.09233859]])
>>> a += b # b不会自动地转换为整数类型，所以弹出异常
Traceback (most recent call last):
...
TypeError: Cannot cast ufunc add output from dtype('float64') to dtype('int64') with casting rule 'same_kind'
当对两个不同类型的数组进行运算操作时，将根据精度，选择最复杂的作为结果的类型：
>>> 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'
许多一元操作（例如计算数组中所有元素的总和）都作为ndarray类的方法实现：
>>> a = np.random.random((2,3))
>>> a
array([[ 0.18626021, 0.34556073, 0.39676747],
[ 0.53881673, 0.41919451, 0.6852195 ]])
>>> a.sum() # 计算所有元素的总和
2.5718191614547998
>>> a.min() #找出最小值
0.1862602113776709
>>> a.max() #找出最大值
0.6852195003967595v
默认情况下，这些操作都会应用于整个数组，就好像它是一个数字列表，而不管其形状如何。但是，通过指定轴参数，可以沿数组的指定轴应用操作：
>>> b = np.arange(12).reshape(3,4)
>>> b
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]])
>>>
>>> b.sum(axis=0) # 对每一列进行求和
array([12, 15, 18, 21])
>>>
>>> b.min(axis=1) # 找出每一行的最小值
array([0, 4, 8])
>>>
>>> b.cumsum(axis=1) # 对每行进行循环累加
array([[ 0, 1, 3, 6],
[ 4, 9, 15, 22],
[ 8, 17, 27, 38]])
可以使用sort方法对数组或数组某一维度进行就地排序，这会修改数组本身。
>>> a = np.array([[1,6,2],[6,1,3],[1,5,2]])
>>> b=a
>>> b.sort()
>>> b
array([[1, 2, 6],
[1, 3, 6],
[1, 2, 5]])
>>> a
array([[1, 2, 6],
[1, 3, 6],
[1, 2, 5]])
>>> a = np.array([[1,6,2],[6,1,3],[1,5,2]])
>>> a
array([[1, 6, 2],
[6, 1, 3],
[1, 5, 2]])
>>> a.sort(axis=1)
>>> a
array([[1, 2, 6],
[1, 3, 6],
[1, 2, 5]])
>>> a = np.array([[1,6,2],[6,1,3],[1,5,2]])
>>> a.sort(axis=0)
>>> a
array([[1, 1, 2],
[1, 5, 2],
[6, 6, 3]])
np.logspace是在np.linspace基础上求幂，默认底数是10。