python中power的用法_python numpy float_power用法及代码示例
第一个数组元素在元素方面从第二个数组提升为幂。
将x1中的每个基座提升到x2中的positionally-corresponding电源。 x1和x2必须可广播为相同形状。这与幂函数的不同之处在于，整数，float16和float32被提升为具有float64最低精度的float，因此结果始终是不精确的。目的是该函数将为负幂返回可用结果，而对于正幂很少返回溢出。
1.12.0版中的新功能。
参数：x1： ： array_like
基地。
x2： ： array_like
index 。如果x1.shape != x2.shape，它们必须可广播为通用形状(即成为输出的形状)。
out： ： ndarray, None, 或 tuple of ndarray and None, 可选参数
结果存储的位置。如果提供，它必须具有输入广播到的形状。如果未提供或没有，则返回一个新分配的数组。元组(只能作为关键字参数)的长度必须等于输出的数量。
where： ： array_like, 可选参数
此条件通过输入广播。在条件为True的位置，将out数组设置为ufunc结果。在其他地方，out数组将保留其原始值。请注意，如果通过默认创建未初始化的输出数组out=None，条件中为False的位置将保持未初始化状态。
**kwargs：
有关其他仅关键字的参数，请参见ufunc文档。
返回值：y： ： ndarray
x1中的基数增加到x2中的 index 。如果x1和x2均为标量，则为标量。
例子：
对列表中的每个元素进行多维数据集处理。
>>> x1 = range(6)
>>> x1
[0, 1, 2, 3, 4, 5]
>>> np.float_power(x1, 3)
array([ 0., 1., 8., 27., 64., 125.])
将底数提高到不同的 index 。
>>> x2 = [1.0, 2.0, 3.0, 3.0, 2.0, 1.0]
>>> np.float_power(x1, x2)
array([ 0., 1., 8., 27., 16., 5.])
广播的效果。
>>> x2 = np.array([[1, 2, 3, 3, 2, 1], [1, 2, 3, 3, 2, 1]])
>>> x2
array([[1, 2, 3, 3, 2, 1],
[1, 2, 3, 3, 2, 1]])
>>> np.float_power(x1, x2)
array([[ 0., 1., 8., 27., 16., 5.],
[ 0., 1., 8., 27., 16., 5.]])