Numpy 常量

NumPy包括几个常量：
np.e、np.pi、 np.inf、 np.nan、np.NINF、np.PZERO & np.NZERO、np.euler_gamma、np.newaxis

np.e

exp : 指数函数日志：自然对数。
也称为欧拉的常数，自然对数的基础，纳皮尔的常数。

e = 2.71828182845904523536028747135266249775724709369995…

np.pi

pi：圆周率
pi = 3.1415926535897932384626433…

np.inf

注意!
Inf，Infinity，PINF 和 infty 是 inf 的别名
NumPy 使用IEEE二进制浮点算法标准（IEEE 754）， 表示（正）无穷大
这意味着Not a Number不等于无穷大。 此外，正无穷大不等于负无穷大。 但无穷大相当于正无穷大。

返回

• y : float （正无穷大的浮点表示。）

另见

• isinf : 显示哪些元素为正或负无穷大。
• isposinf : 显示哪些元素是正无穷大。
• isneginf : 显示哪些元素为负无穷大。
• isnan : 显示哪些元素不是数字。
• isfinite : 显示哪些元素是有限的（不是非数字，正无穷大和负无穷大中的一个）

>>> np.inf
inf
>>> np.array([1]) / 0.
array([ Inf])

np.nan

注意! NaN 和 NAN 是 nan 的别名。
NumPy使用IEEE二进制浮点算法标准（IEEE 754），表示非数字（NaN）
这意味着Not a Number不等于无穷大。

另见

• isnan : 显示哪些元素不是数字。
• isfinite : 显示哪些元素是有限的（不是非数字，正无穷大和负无穷大中的一个）

>>> np.nan
nan
>>> np.log(-1)
nan
>>> np.log([-1, 1, 2])
array([ NaN , 0. , 0.69314718 ])

np.NINF

注意!
NumPy使用IEEE二进制浮点算法标准（IEEE 754），表示负无穷大
这意味着Not a Number不等于无穷大。 此外，正无穷大不等于负无穷大。 但无穷大相当于正无穷大。

返回

• y : float (负无穷大的浮点表示)

>>> np.NINF
-inf
>>> np.log(0)
-inf

np.PZERO & np.NZERO

注意
np.PZERO 表示正零，正零被认为是有限数。
np.NZERO 表示负零，负零被认为是有限数。

返回

• y = np.PZERO() : float （正零的浮点表示）
• y = np.NZERO() : float （负零点的浮点表示)

另外

• isinf : 显示哪些元素为正或负无穷大。
• isposinf : 显示哪些元素是正无穷大。
• isneginf : 显示哪些元素为负无穷大。
• isnan : 显示哪些元素不是数字。
• isfinite : 显示哪些元素是有限的 - 不是（非数字，正无穷大和负无穷大）之一。

>>> np.PZERO
0.0
>>> np.NZERO
-0.0

>>> np.isfinite([np.PZERO])
array([ True])
>>> np.isnan([np.PZERO])
array([False])
>>> np.isinf([np.PZERO])
array([False])

____________________________________________________________________

>>> np.NZERO
-0.0
>>> np.PZERO
0.0

>>> np.isfinite([np.NZERO])
array([ True])
>>> np.isnan([np.NZERO])
array([False])
>>> np.isinf([np.NZERO])
array([False])

np.euler_gamma

γ = 0.5772156649015328606065120900824024310421…

np.newaxis

None 的便捷别名，对索引数组很有用。

>>> newaxis is None
True
>>> x = np.arange(3)
>>> x
array([0, 1, 2])
>>> x[:, newaxis]
array([[0],
[1],
[2]])
>>> x[:, newaxis, newaxis]
array([[[0]],
[[1]],
[[2]]])
>>> x[:, newaxis] * x
array([[0, 0, 0],
[0, 1, 2],
[0, 2, 4]])

外积，与 outer(x, y) 相同：

>>> y = np.arange(3, 6)
>>> x[:, newaxis] * y
array([[ 0,  0,  0],
[ 3,  4,  5],
[ 6,  8, 10]])

x[newaxis, :] 相当于 x[newaxis] 和 x[None]：

>>> x[newaxis, :].shape
(1, 3)
>>> x[newaxis].shape
(1, 3)
>>> x[None].shape
(1, 3)
>>> x[:, newaxis].shape
(3, 1)