@header@
 
 
matplotlib.numerix (version 1.1.0.dev5176)		index
/home/jdhunter/dev/lib64/python2.5/site-packages/matplotlib/numerix/__init__.py

numerix  imports either Numeric or numarray based on various selectors.
 
0.  If the value "--numpy","--numarray" or "--Numeric" is specified on the
    command line, then numerix imports the specified
    array package.
 
1. The value of numerix in matplotlibrc: either Numeric or numarray
 
2. If none of the above is done, the default array package is Numeric.
   Because the matplotlibrc always provides *some* value for numerix
   (it has it's own system of default values), this default is most
   likely never used.
 
To summarize: the  commandline is examined first, the  rc file second,
and the default array package is Numeric.

 
Package Contents
       
_na_imports
_nc_imports
_sp_imports
fft (package)
linear_algebra (package)
ma (package)
mlab (package)
npyma (package)
random_array (package)

 
Functions
       
byteswapped(a)
concatenate(...)
concatenate((a1, a2, ...), axis=0)
 
Join arrays together.
 
The tuple of sequences (a1, a2, ...) are joined along the given axis
(default is the first one) into a single numpy array.
 
Examples
--------
>>> concatenate( ([0,1,2], [5,6,7]) )
array([0, 1, 2, 5, 6, 7])
dot(...)
dump(...)
dump(obj, file, protocol=0) -- Write an object in pickle format to the given file.
 
See the Pickler docstring for the meaning of optional argument proto.
dumps(...)
dumps(obj, protocol=0) -- Return a string containing an object in pickle format.
 
See the Pickler docstring for the meaning of optional argument proto.
innerproduct = inner(...)
inner(a,b)
 
Returns the dot product of two arrays, which has shape a.shape[:-1] +
b.shape[:-1] with elements computed by the product of the elements
from the last dimensions of a and b.
iscontiguous(a)
itemsize(a)
matrixmultiply = dot(...)
putmask(...)
putmask(a, mask, values)
 
Sets a.flat[n] = values[n] for each n where mask.flat[n] is true.
 
If values is not the same size as `a` and `mask` then it will repeat.
This gives behavior different from a[mask] = values.
 
Parameters
----------
a : {array_like}
    Array to put data into
mask : {array_like}
    Boolean mask array
values : {array_like}
    Values to put
rand(...)
Return an array of the given dimensions which is initialized to 
random numbers from a uniform distribution in the range [0,1).
 
rand(d0, d1, ..., dn) -> random values
 
Note:  This is a convenience function. If you want an
            interface that takes a tuple as the first argument
            use numpy.random.random_sample(shape_tuple).
randn(...)
Returns zero-mean, unit-variance Gaussian random numbers in an 
array of shape (d0, d1, ..., dn).
 
randn(d0, d1, ..., dn) -> random values
 
Note:  This is a convenience function. If you want an
            interface that takes a tuple as the first argument
            use numpy.random.standard_normal(shape_tuple).
typecode(a)

 
Data
        Character = 'c'
Complex = 'D'
Complex0 = 'F'
Complex16 = 'F'
Complex32 = 'F'
Complex64 = 'D'
Complex8 = 'F'
Float = 'd'
Float0 = 'f'
Float16 = 'f'
Float32 = 'f'
Float64 = 'd'
Float8 = 'f'
Infinity = inf
Int = 'l'
Int0 = 'b'
Int16 = 'h'
Int32 = 'i'
Int64 = 'l'
Int8 = 'b'
LittleEndian = True
NewAxis = None
PyObject = 'O'
UInt = 'u'
UInt16 = 'H'
UInt32 = 'I'
UInt8 = 'B'
UnsignedInt16 = 'H'
UnsignedInt32 = 'I'
UnsignedInt8 = 'B'
UnsignedInteger = 'u'
__version__ = '1.1.0.dev5176'
absolute = <ufunc 'absolute'>
add = <ufunc 'add'>
arccos = <ufunc 'arccos'>
arccosh = <ufunc 'arccosh'>
arcsin = <ufunc 'arcsin'>
arcsinh = <ufunc 'arcsinh'>
arctan = <ufunc 'arctan'>
arctan2 = <ufunc 'arctan2'>
arctanh = <ufunc 'arctanh'>
bitwise_and = <ufunc 'bitwise_and'>
bitwise_or = <ufunc 'bitwise_or'>
bitwise_xor = <ufunc 'bitwise_xor'>
ceil = <ufunc 'ceil'>
conjugate = <ufunc 'conjugate'>
cos = <ufunc 'cos'>
cosh = <ufunc 'cosh'>
divide = <ufunc 'divide'>
divide_safe = <ufunc 'divide'>
e = 2.7182818284590451
equal = <ufunc 'equal'>
exp = <ufunc 'exp'>
fabs = <ufunc 'fabs'>
floor = <ufunc 'floor'>
floor_divide = <ufunc 'floor_divide'>
fmod = <ufunc 'fmod'>
g = {'ArrayType': <type 'numpy.ndarray'>, 'Character': 'c', 'Complex': 'D', 'Complex0': 'F', 'Complex16': 'F', 'Complex32': 'F', 'Complex64': 'D', 'Complex8': 'F', 'DumpArray': <function DumpArray at 0xe58aa0>, 'Float': 'd', ...}
greater = <ufunc 'greater'>
greater_equal = <ufunc 'greater_equal'>
hypot = <ufunc 'hypot'>
infinity = inf
invert = <ufunc 'invert'>
isnan = <ufunc 'isnan'>
l = {'ArrayType': <type 'numpy.ndarray'>, 'Character': 'c', 'Complex': 'D', 'Complex0': 'F', 'Complex16': 'F', 'Complex32': 'F', 'Complex64': 'D', 'Complex8': 'F', 'DumpArray': <function DumpArray at 0xe58aa0>, 'Float': 'd', ...}
left_shift = <ufunc 'left_shift'>
less = <ufunc 'less'>
less_equal = <ufunc 'less_equal'>
log = <ufunc 'log'>
log10 = <ufunc 'log10'>
logical_and = <ufunc 'logical_and'>
logical_not = <ufunc 'logical_not'>
logical_or = <ufunc 'logical_or'>
logical_xor = <ufunc 'logical_xor'>
maximum = <ufunc 'maximum'>
minimum = <ufunc 'minimum'>
multiply = <ufunc 'multiply'>
nan = nan
negative = <ufunc 'negative'>
newaxis = None
not_equal = <ufunc 'not_equal'>
nx = <matplotlib.numerix._sp_imports._TypeNamespace instance at 0xeb47e8>
pi = 3.1415926535897931
power = <ufunc 'power'>
rcParams = {'figure.subplot.right': 0.90000000000000002, 'm...persize': 'letter', 'svg.embed_char_paths': True}
remainder = <ufunc 'remainder'>
right_shift = <ufunc 'right_shift'>
sign = <ufunc 'sign'>
sin = <ufunc 'sin'>
sinh = <ufunc 'sinh'>
sqrt = <ufunc 'sqrt'>
subtract = <ufunc 'subtract'>
tan = <ufunc 'tan'>
tanh = <ufunc 'tanh'>
true_divide = <ufunc 'true_divide'>
typecodes = {'Character': 'c', 'Complex': 'FD', 'Float': 'fd', 'Integer': 'bhil', 'UnsignedInteger': 'BHI'}
use_maskedarray = False
verbose = <matplotlib.Verbose instance at 0xe46bd8>
version = 'numpy 1.1.0.dev5176'
which = ('numpy', 'rc')
@footer@