NumPy 的 `ndarray` 是用來儲存多維數值資料的陣列，支援高效率的向量化運算，不需要自行撰寫迴圈。 ## 1. Element-Wise 運算 對兩個形狀相同的陣列，逐元素進行運算。 ```python import numpy as np a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) result = a + b print(result) # [5 7 9] ``` `a + b` 會分別計算： ```text [1+4, 2+5, 3+6] ``` 常見的 Element-Wise 運算包括： ```python a + b a - b a * b a / b a ** b ``` --- ## 2. 純量運算 將陣列中的每個元素，與同一個純量進行運算。 ```python import numpy as np a = np.array([1, 2, 3]) result = a * 10 print(result) # [10 20 30] ``` 這相當於： ```text [1×10, 2×10, 3×10] ``` 也可以進行加、減、除、次方等運算： ```python a + 5 a - 1 a / 2 a ** 2 ``` --- ## 3. 常用的通用函式（Universal Functions, ufunc） NumPy 提供許多可對陣列逐元素運算的函式，例如 `np.sqrt()`、`np.exp()`、`np.sin()`、`np.log()` 等。 ```python import numpy as np a = np.array([1, 4, 9]) result = np.sqrt(a) print(result) # [1. 2. 3.] ``` `np.sqrt(a)` 會對陣列中的每個元素取平方根： ```text [√1, √4, √9] ``` 常見通用函式包括： ```python np.abs(a) # 絕對值 np.sqrt(a) # 平方根 np.exp(a) # 指數函式 np.log(a) # 自然對數 np.sin(a) # 正弦 np.maximum(a, b) # 逐元素取較大值 ``` 這些運算通常比使用 Python `for` 迴圈更簡潔且有效率。