# Copyright (C) 2000-2008 Hiroshi Watabe watabe@ri.ncvc.go.jp
# Define PYBld Class python implemantation of BLD originally developed by Richard E Carson
# $Id: __init__.py 236 2008-03-27 20:33:07Z watabe $

Package Contents
		_bldanaimgc _pybldc bldanaimg bldanaimgc datafile grace_np numpyio pybldc qconv

Classes
		PYBLD   class PYBLD     BLD with Python Variables gp_cmd = 'grace' or 'gnuplot' for plotting data show = 1 if you want to see detail of fitting fit_z = results of fitting     Methods defined here: __init__(self) checkarg(self, inp) #check whether array or not checkarray(self, inp) #check whether array combine(self, a, b) combine(a,b) combines two arrays into one array conv_exp(self, time, param, bld_tm, bld_cnt) conv_exp(x,p,a,b)  returns  the  convolution  of  the  piecewise linear  curve  described  by  the  variables  a  and  b with a sum of exponentials defined by the parameter list p, evaluated at  times  x. The  variable  'a' is the list of times of the sampled curve (assumed to be in ascending order) and 'b' contains the function value at  the times  in  'a'.   The  curve  being integrated is assumed to have the value 0 for a<=0 (so the result of INTEGRATE is 0 for x<=0).   For  x values  beyond  the  largest  value  of  a, the curve is extrapolated linearly based on the final two points.  The exponential function has; the following form depending on the number of values in p: 1 value    p(1) 2 values   p(1)exp(-p(2)x) 3 values   p(1)exp(-p(2)x)+p(3) 4 values   p(1)exp(-p(2)x)+p(3)exp(-p(4)x),    etc dimen(self, a) return dimension of array even(self, x) even(x) is the value x even (1=yes, 0=no) exit(self) #exit pybld expf(self, x, p) expf(x,p) - sum of exponentials  p[0]*exp(p[1]*x) + p[2]exp(... expfit(self, x, obs, p, wt=array([ 0.]), fixm=array([ 0.])) Exponential Fitting. The exponential fit routine fits the X,Y data to the function: y(x) = p1  exp(p2  x) + p3 exp(p4 x) + ... First you  must specify the number of parameters, two for one exponential, three for one exponential plus a constant,four for two exponentials, etc. Then PyBLD requests initial estimates for the parameters. Note that for exponential decay, p2 and p4 ,etc. should be negative. The exponential function is non-linear in the parameters,  so the fitting procedure is an iterative one. This means that the program will find the best fitting parameters step by step,starting from the initial estimates that you supply. The closer these parameters are to the true values, the quicker the convergence. The algorithm is Marquardt_-Levenberg with step halving. expo(self, x, a, beta) #  EXPo(X;A;beta) - sum of exponentials A(1)*exp(beta(1)*x) + ... filter(self, x, f) #filtering fit(self, fitfunc, x, obs, p, wt=array([ 0.]), fixm=array([ 0.])) Fitting to user-given funciton. fit(func,x,obs,p) where 'func' is define function, 'x' is x-axis of function such as time, 'obs' is observed data, and 'p' is array of initial parameters to be fitted. you must define func as func(x,p) and return fitted values. Optionally you can give weight of data as variable 'wt'. Optionally you can fix certain parameters by variable 'fixm' fixm has format of array with elements of one or zero. If you want to fix second parameter in four parameters, you can give fixm = array([0,1,0,0]) this funciton returns estimated p values and their se. Also corrmat,fitresmat,fit_z contains results of fitting.   fitresmat[0]:standard error of the estimate fitresmat[1]:sum of squares fitresmat[2]:degree of freedom1 fitresmat[3]:degree of freedom2 fitresmat[4]:F value fitresmat[5]:R square fitresmat[6]:Correlation coefficient fitd(self, fitfunc, x, obs, p, wt=array([ 0.]), fixm=array([ 0.])) Fitting to user-given funciton with derivatives. fitd(func,x,obs,p) where 'func' is define function, 'x' is x-axis of function such as time, 'obs' is observed data, and 'p' is array of initial parameters to be fitted. you must define func as func(x,p). This function returns fitted values and derivatives of each parameter. Optionally you can give weight of data as variable 'wt'. Optionally you can fix certain parameters by variable 'fixm' fixm has format of array with elements of one or zero. If you want to fix second parameter in four parameters, you can give fixm = array([0,1,0,0]) this funciton returns estimated p values and their se. Also corrmat,fitresmat,fit_z contains results of fitting. gaus(self, mean, sd) gaus(x,y) returns a list of gaussian random numbers with mean x and  standard deviation y.  One value is returned for each element in the list x.   To get 100 random  numbers  with  mean  0  and  standard deviation  1,  Use  gaus(zeros(100,'f'),1).  These numbers are pseudo random and are generated from a seed variable. gauss_filter1d(self, fwhm) define gaussian kernel with fwhm in pixels (keep until 1% of gaussian) gauss_filter2d(self, fwhm) define gaussian kernel with fwhm in pixels (keep until 1% of gaussian) gauss_smooth1d(self, x, fwhm) perform 1d gaussian smooth of line x with fwhm gauss_smooth2d(self, x, fwhm) perform 2d gaussian smooth of image x with fwhm gaussian_1d(self, x, f) #gaussian filter gaussian_2d(self, x, f) calculate value of 2d gaussian at distances x from the center with fwhm of f gnuplot(sel, tm, arg, ny) Plot x,y points using gnuplot graceplot(self, tm, arg, ny) Plot x,y points using Grace histogram(self, a, b0, bw, nbins) histogram(a,b0,bw,nbins) the histogram of the list a where the first bin starts at b0, the width of each bin is bw, and  there are a total of nbin bins. img(self, xdim=0, ydim=0, zdim=0, tdim=1, type=2) input(self, *arg) Read data file if no argument are given, from standard input integrate(self, newtime, time, cnt) integrate(x,a,b) Integrates the piecewise linear curve described  by the  variables  a  and  b  from  0  to the list of times x.  This function assumes that the values in the variable a are  greater  than or equal to 0 and are in ascending order.  The curve being integrated is assumed to have the value 0 for a<=0 (so the result  of  INTEGRATE is  0  for  x<=0).   For  x values beyond the largest value of a, the curve is extrapolated linearly based on the  final  two  points.   To) evaluate the integral from x1 to x2, use integrate(x2,a,b) - integrate(x1,a,b) interpolate(self, newtime, time, cnt) interpolate(x,a,b) interpolates  the  piecewise  linear   curve described  by  a  and  b to the list of times x. This function assumes that the values in the variable a are greater than or equal to 0  and are  in  ascending order.  The curve being interpolated is assumed to have the value 0 for a<=0 (so the result of INTEGRATE is 0 for x<=0). For x values beyond the largest value of a, the curve is extrapolated( linearly based on the final two points. invmat(self, a) inverse matrix list2vec(self, x) #list to vector mean(self, a) return mean value of matrix mod(self, x, y) # modular arithmetic  (x mod y) - remainder from x divided by y mullin(self, ind_y, dep_x, wt=array([ 0.]), cst=0) mullin(independent,dependents,[wt],cst=0 or 1) perform linear regression of one dependent variable against any number of independent variables.  To use this routine you must first select the variables of interest.  The first variable must be the dependent one,followed by the independent  variables.  The order of the resulting parameters will correspond to the order  of selection of the independent variables. The linear fitting routine will do a weighted regression when you create  a variable named 'wt' with the same length as the independent variable.  This variable will be used to weight the sum of squares computed by the  regression routine. You will be notified that a weighted regression is being done. This funciton returns estimated p values and their se. Also corrmat,fitresmat,fit_z contains results of fitting.   fitresmat[0]:standard error of the estimate fitresmat[1]:sum of squares fitresmat[2]:degree of freedom1 fitresmat[3]:degree of freedom2 fitresmat[4]:F value fitresmat[5]:R square fitresmat[6]:Correlation coefficient mulmat(self, a, b) Multiply Matrix ncol(self, a) normalize(self, x) scale a vector/matrix so that its sum is 1 nrow(self, a) #get numbers of row odd(self, x) odd(x) is the value x odd (1=yes, 0=no) output(self, outfile, *arg) Output text file from data. If first argument is null, print out to standard output pconv_exp(self, time, param, bld_tm, bld_cnt) pconv_exp(x,p,a,b)  returns  the  product convolution  of  the  piecewise linear  curve  described  by  the  variables  a  and  b with a sum of exponentials defined by the parameter list p, evaluated at  times  x. The  variable  'a' is the list of times of the sampled curve (assumed to be in ascending order) and 'b' contains the function value at  the times  in  'a'.   The  curve  being integrated is assumed to have the value 0 for a<=0 (so the result of INTEGRATE is 0 for x<=0).   For  x values  beyond  the  largest  value  of  a, the curve is extrapolated linearly based on the final two points.  The exponential function has; the following form depending on the number of values in p: 1 value    p(1) 2 values   p(1)exp(-p(2)x) 3 values   p(1)exp(-p(2)x)+p(3) 4 values   p(1)exp(-p(2)x)+p(3)exp(-p(4)x),    etc plot(self, _tm, *_arg) polfit(self, deg_pol, x, y, wt=array([ 0.])) polfit(degree,x,y,[wt]) The polynomial fitting routine will perform a polynomial fit. A polynomial function is of the form ; y=a+bx+cx**2....... The simplest polynomial fit is a linear fit; y_=a_+bx     First you must specify the order of the polynomial to be used, i.e. one=linear, two=quadratic, three=cubic, etc. The routine will perform all fits starting with linear, quadratic, up to the requested order.  A statistical summary will be provided. The polynomial fitting routine will do a weighted regression when you create a variable named 'wt' with the same number of elements as the independent (x) variable.  This variable will be used to weight the sum of squares computed by the regression routine.  You will be notified that a weighted regression is being done.  This funciton returns estimated p values and their se. Also corrmat,fitresmat,fit_z contains results of fitting.   fitresmat[0]:standard error of the estimate fitresmat[1]:sum of squares fitresmat[2]:degree of freedom1 fitresmat[3]:degree of freedom2 fitresmat[4]:F value fitresmat[5]:R square fitresmat[6]:Correlation coefficient ran(self, x, y) ran(x,y) returns a list of uniform random numbers between x and y (x and y must be same length). These numbers are pseudo_- random and are generated from  a seed variable. recall(self, file) #recall BLD object save(self, file) #save BLD object sd(self, x) return sd value of matrix spline(self, newtime, time, cnt) spline(X,R,S) The SPLine fit routine allows the  user  to  generate  a  smooth curve at many time points, simply by specifying the Y values at a few of these points.  First the user must specify the time points at which the curve should be computed (X),  and  the  original curve in  R and S. Typing SPL will cause the routine to compute the spline fit.  The spline fit routine places the spline in X, and  the final fitted values in Y.  The original data (R and S) and the spline curve (X and Y) are selected upon completion, ready for plotting. tran(self, a) Transpose of matrix var(self) #BLD var list variables variance(self, x) return variance value of matrix vec2mat(self, x) #vector to matrix vector(self, a, x) VECTOR(a;x) returns a list of length 'a' filled with values  for x.   If  there  are less then 'a' values, the value will be recycled,   for example;      x=1,2,3,4      vector(2;x) returns 1,2      vector(6;x) returns 1,2,3,4,1,2      VECTOR(a) returns a vector filled with zeroes.

Functions
		add_docstring(...) docstring(obj, docstring)   Add a docstring to a built-in obj if possible. If the obj already has a docstring raise a RuntimeError If this routine does not know how to add a docstring to the object raise a TypeError alterdot(...) alterdot() changes all dot functions to use blas. arange(...) arange([start,] stop[, step,], dtype=None)   For integer arguments, just like range() except it returns an array whose type can be specified by the keyword argument dtype.  If dtype is not specified, the type of the result is deduced from the type of the arguments.   For floating point arguments, the length of the result is ceil((stop - start)/step).  This rule may result in the last element of the result being greater than stop. array(...) array(object, dtype=None, copy=1,order=None, subok=0,ndmin=0)   Return an array from object with the specified date-type.   Inputs:   object - an array, any object exposing the array interface, any             object whose __array__ method returns an array, or any             (nested) sequence.   dtype  - The desired data-type for the array.  If not given, then             the type will be determined as the minimum type required             to hold the objects in the sequence.  This argument can only             be used to 'upcast' the array.  For downcasting, use the             .astype(t) method.   copy   - If true, then force a copy.  Otherwise a copy will only occur             if __array__ returns a copy, obj is a nested sequence, or             a copy is needed to satisfy any of the other requirements   order  - Specify the order of the array.  If order is 'C', then the             array will be in C-contiguous order (last-index varies the             fastest).  If order is 'FORTRAN', then the returned array             will be in Fortran-contiguous order (first-index varies the             fastest).  If order is None, then the returned array may             be in either C-, or Fortran-contiguous order or even             discontiguous.   subok  - If True, then sub-classes will be passed-through, otherwise             the returned array will be forced to be a base-class array   ndmin  - Specifies the minimum number of dimensions that the resulting             array should have.  1's will be pre-pended to the shape as             needed to meet this requirement. bincount(...) bincount(x,weights=None)   Return the number of occurrences of each value in x.   x must be a list of non-negative integers.  The output, b[i], represents the number of times that i is found in x.  If weights is specified, every occurrence of i at a position p contributes weights[p] instead of 1.   See also: histogram, digitize, unique. can_cast(...) can_cast(from=d1, to=d2)   Returns True if data type d1 can be cast to data type d2 without losing precision. compare_chararrays(...) 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.   Example:   >>> concatenate( ([0,1,2], [5,6,7]) ) array([0, 1, 2, 5, 6, 7]) digitize(...) digitize(x,bins)   Return the index of the bin to which each value of x belongs.   Each index i returned is such that bins[i-1] <= x < bins[i] if bins is monotonically increasing, or bins [i-1] > x >= bins[i] if bins is monotonically decreasing.   Beyond the bounds of the bins 0 or len(bins) is returned as appropriate. dot(...) dot(a,b) Returns the dot product of a and b for arrays of floating point types. Like the generic numpy equivalent the product sum is over the last dimension of a and the second-to-last dimension of b. NB: The first argument is not conjugated. empty(...) empty((d1,...,dn),dtype=float,order='C')   Return a new array of shape (d1,...,dn) and given type with all its entries uninitialized. This can be faster than zeros. fastCopyAndTranspose = _fastCopyAndTranspose(...) _fastCopyAndTranspose(a) frombuffer(...) frombuffer(buffer=, dtype=float, count=-1, offset=0)   Returns a 1-d array of data type dtype from buffer. The buffer argument must be an object that exposes the buffer interface.  If count is -1 then the entire buffer is used, otherwise, count is the size of the output.  If offset is given then jump that far into the buffer. If the buffer has data that is out not in machine byte-order, than use a propert data type descriptor. The data will not be byteswapped, but the array will manage it in future operations. fromfile(...) fromfile(file=, dtype=float, count=-1, sep='') -> array.   Required arguments:     file -- open file object or string containing file name.   Keyword arguments:     dtype -- type and order of the returned array (default float)     count -- number of items to input (default all)     sep -- separater between items if file is a text file (default "")   Return an array of the given data type from a text or binary file. The 'file' argument can be an open file or a string with the name of a file to read from.  If 'count' == -1 the entire file is read, otherwise count is the number of items of the given type to read in.  If 'sep' is "" it means to read binary data from the file using the specified dtype, otherwise it gives the separator between elements in a text file. The 'dtype' value is also used to determine the size and order of the items in binary files.     Data written using the tofile() method can be conveniently recovered using this function.   WARNING: This function should be used sparingly as the binary files are not platform independent. In particular, they contain no endianess or datatype information. Nevertheless it can be useful for reading in simply formatted or binary data quickly. fromiter(...) fromiter(iterable, dtype, count=-1)   Return a new 1d array initialized from iterable. If count is nonegative, the new array will have count elements, otherwise it's size is determined by the generator. frompyfunc(...) frompyfunc(func, nin, nout) take an arbitrary python function that takes nin objects as input and returns nout objects and return a universal function (ufunc).  This ufunc always returns PyObject arrays fromstring(...) fromstring(string, dtype=float, count=-1, sep='')   Return a new 1d array initialized from the raw binary data in string.   If count is positive, the new array will have count elements, otherwise its size is determined by the size of string.  If sep is not empty then the string is interpreted in ASCII mode and converted to the desired number type using sep as the separator between elements (extra whitespace is ignored). getbuffer(...) getbuffer(obj [,offset[, size]])   Create a buffer object from the given object referencing a slice of length size starting at offset.  Default is the entire buffer. A read-write buffer is attempted followed by a read-only buffer. geterrobj(...) inner(...) innerproduct(a,b) Returns the inner product of a and b for arrays of floating point types. Like the generic NumPy equivalent the product sum is over the last dimension of a and b. NB: The first argument is not conjugated. int_asbuffer(...) interp(...) interp(x, xp, fp, left=None, right=None)   Return the value of a piecewise-linear function at each value in x.   The piecewise-linear function, f, is defined by the known data-points fp=f(xp). The xp points must be sorted in increasing order but this is not checked.   For values of x < xp[0] return the value given by left.  If left is None, then return fp[0]. For values of x > xp[-1] return the value given by right. If right is None, then return fp[-1]. lexsort(...) lexsort(keys=, axis=-1) -> array of indices. Argsort with list of keys.   Perform an indirect sort using a list of keys. The first key is sorted, then the second, and so on through the list of keys. At each step the previous order is preserved when equal keys are encountered. The result is a sort on multiple keys.  If the keys represented columns of a spreadsheet, for example, this would sort using multiple columns (the last key being used for the primary sort order, the second-to-last key for the secondary sort order, and so on).  The keys argument must be a sequence of things that can be converted to arrays of the same shape.   :Parameters:       a : array type         Array containing values that the returned indices should sort.       axis : integer         Axis to be indirectly sorted. None indicates that the flattened         array should be used. Default is -1.   :Returns:       indices : integer array         Array of indices that sort the keys along the specified axis. The         array has the same shape as the keys.   :SeeAlso:     - argsort : indirect sort   - sort : inplace sort loads(...) loads(string) -- Load a pickle from the given string newbuffer(...) newbuffer(size)   Return a new uninitialized buffer object of size bytes 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 of a and mask then it will repeat.  This gives different behavior than a[mask] = values. restoredot(...) restoredot() restores dots to defaults. set_numeric_ops(...) set_numeric_ops(op=func, ...)   Set some or all of the number methods for all array objects.  Do not forget **dict can be used as the argument list.  Return the functions that were replaced, which can be stored and set later. set_string_function(...) set_string_function(f, repr=1)   Set the python function f to be the function used to obtain a pretty printable string version of an array whenever an array is printed. f(M) should expect an array argument M, and should return a string consisting of the desired representation of M for printing. seterrobj(...) vdot(...) vdot(a,b) Returns the dot product of a and b for scalars and vectors of floating point and complex types.  The first argument, a, is conjugated. where(...) where(condition, | x, y)   The result is shaped like condition and has elements of x and y where condition is respectively true or false.  If x or y are not given, then it is equivalent to condition.nonzero().   To group the indices by element, rather than dimension, use       transpose(where(condition, | x, y))   instead. This always results in a 2d array, with a row of indices for each element that satisfies the condition. zeros(...) zeros((d1,...,dn),dtype=float,order='C')   Return a new array of shape (d1,...,dn) and type typecode with all it's entries initialized to zero.

Data
		ALLOW_THREADS = 1 BUFSIZE = 10000 CLIP = 0 ERR_CALL = 3 ERR_DEFAULT = 0 ERR_DEFAULT2 = 2084 ERR_IGNORE = 0 ERR_LOG = 5 ERR_PRINT = 4 ERR_RAISE = 2 ERR_WARN = 1 FLOATING_POINT_SUPPORT = 1 FPE_DIVIDEBYZERO = 1 FPE_INVALID = 8 FPE_OVERFLOW = 2 FPE_UNDERFLOW = 4 False_ = False Inf = inf Infinity = inf MAXDIMS = 32 NAN = nan NINF = -inf NZERO = -0.0 NaN = nan PINF = inf PZERO = 0.0 RAISE = 2 SHIFT_DIVIDEBYZERO = 0 SHIFT_INVALID = 9 SHIFT_OVERFLOW = 3 SHIFT_UNDERFLOW = 6 ScalarType = (<type 'int'>, <type 'float'>, <type 'complex'>, <type 'long'>, <type 'bool'>, <type 'str'>, <type 'unicode'>, <type 'buffer'>, <type 'numpy.int64'>, <type 'numpy.int16'>, <type 'numpy.float128'>, <type 'numpy.float64'>, <type 'numpy.int32'>, <type 'numpy.uint32'>, <type 'numpy.float32'>, <type 'numpy.unicode_'>, <type 'numpy.int8'>, <type 'numpy.bool_'>, <type 'numpy.string_'>, <type 'numpy.uint8'>, ...) True_ = True UFUNC_BUFSIZE_DEFAULT = 10000 UFUNC_PYVALS_NAME = 'UFUNC_PYVALS' WRAP = 1 __version__ = '1.0.3' 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_not = <ufunc 'invert'> bitwise_or = <ufunc 'bitwise_or'> bitwise_xor = <ufunc 'bitwise_xor'> c_ = <numpy.lib.index_tricks.c_class object at 0x2aaab0d6ced0> cast = {<type 'numpy.int64'>: <function <lambda> at 0x2...string_'>: <function <lambda> at 0x2aaaaf87f6e0>} ceil = <ufunc 'ceil'> conj = <ufunc 'conjugate'> conjugate = <ufunc 'conjugate'> cos = <ufunc 'cos'> cosh = <ufunc 'cosh'> divide = <ufunc 'divide'> e = 2.7182818284590451 equal = <ufunc 'equal'> exp = <ufunc 'exp'> expm1 = <ufunc 'expm1'> fabs = <ufunc 'fabs'> floor = <ufunc 'floor'> floor_divide = <ufunc 'floor_divide'> fmod = <ufunc 'fmod'> frexp = <ufunc 'frexp'> greater = <ufunc 'greater'> greater_equal = <ufunc 'greater_equal'> hypot = <ufunc 'hypot'> index_exp = <numpy.lib.index_tricks._index_expression_class object at 0x2aaab0d77050> inf = inf infty = inf invert = <ufunc 'invert'> isfinite = <ufunc 'isfinite'> isinf = <ufunc 'isinf'> isnan = <ufunc 'isnan'> ldexp = <ufunc 'ldexp'> left_shift = <ufunc 'left_shift'> less = <ufunc 'less'> less_equal = <ufunc 'less_equal'> little_endian = True log = <ufunc 'log'> log10 = <ufunc 'log10'> log1p = <ufunc 'log1p'> logical_and = <ufunc 'logical_and'> logical_not = <ufunc 'logical_not'> logical_or = <ufunc 'logical_or'> logical_xor = <ufunc 'logical_xor'> maximum = <ufunc 'maximum'> mgrid = <numpy.lib.index_tricks.nd_grid object at 0x2aaab0d6cd90> minimum = <ufunc 'minimum'> mod = <ufunc 'remainder'> modf = <ufunc 'modf'> multiply = <ufunc 'multiply'> nan = nan nbytes = {<type 'numpy.int64'>: 8, <type 'numpy.int16'>: ... 'numpy.complex64'>: 8, <type 'numpy.uint64'>: 8} negative = <ufunc 'negative'> newaxis = None not_equal = <ufunc 'not_equal'> ogrid = <numpy.lib.index_tricks.nd_grid object at 0x2aaab0d6cdd0> ones_like = <ufunc 'ones_like'> pi = 3.1415926535897931 power = <ufunc 'power'> r_ = <numpy.lib.index_tricks.r_class object at 0x2aaab0d6ce50> reciprocal = <ufunc 'reciprocal'> remainder = <ufunc 'remainder'> right_shift = <ufunc 'right_shift'> rint = <ufunc 'rint'> s_ = <numpy.lib.index_tricks._index_expression_class object at 0x2aaab0d77090> sctypeDict = {0: <type 'numpy.bool_'>, 1: <type 'numpy.int8'>, 2: <type 'numpy.uint8'>, 3: <type 'numpy.int16'>, 4: <type 'numpy.uint16'>, 5: <type 'numpy.int32'>, 6: <type 'numpy.uint32'>, 7: <type 'numpy.int64'>, 8: <type 'numpy.uint64'>, 9: <type 'numpy.int64'>, ...} sctypeNA = {'?': 'Bool', 'B': 'UInt8', 'Bool': <type 'numpy.bool_'>, 'Complex128': <type 'numpy.complex256'>, 'Complex32': <type 'numpy.complex64'>, 'Complex64': <type 'numpy.complex128'>, 'D': 'Complex64', 'F': 'Complex32', 'Float128': <type 'numpy.float128'>, 'Float32': <type 'numpy.float32'>, ...} sctypes = {'complex': [<type 'numpy.complex64'>, <type 'numpy.complex128'>, <type 'numpy.complex256'>], 'float': [<type 'numpy.float32'>, <type 'numpy.float64'>, <type 'numpy.float128'>], 'int': [<type 'numpy.int8'>, <type 'numpy.int16'>, <type 'numpy.int32'>, <type 'numpy.int64'>], 'others': [<type 'bool'>, <type 'object'>, <type 'str'>, <type 'unicode'>, <type 'numpy.void'>], 'uint': [<type 'numpy.uint8'>, <type 'numpy.uint16'>, <type 'numpy.uint32'>, <type 'numpy.uint64'>]} sign = <ufunc 'sign'> signbit = <ufunc 'signbit'> sin = <ufunc 'sin'> sinh = <ufunc 'sinh'> sqrt = <ufunc 'sqrt'> square = <ufunc 'square'> subtract = <ufunc 'subtract'> tan = <ufunc 'tan'> tanh = <ufunc 'tanh'> true_divide = <ufunc 'true_divide'> typeDict = {0: <type 'numpy.bool_'>, 1: <type 'numpy.int8'>, 2: <type 'numpy.uint8'>, 3: <type 'numpy.int16'>, 4: <type 'numpy.uint16'>, 5: <type 'numpy.int32'>, 6: <type 'numpy.uint32'>, 7: <type 'numpy.int64'>, 8: <type 'numpy.uint64'>, 9: <type 'numpy.int64'>, ...} typeNA = {'?': 'Bool', 'B': 'UInt8', 'Bool': <type 'numpy.bool_'>, 'Complex128': <type 'numpy.complex256'>, 'Complex32': <type 'numpy.complex64'>, 'Complex64': <type 'numpy.complex128'>, 'D': 'Complex64', 'F': 'Complex32', 'Float128': <type 'numpy.float128'>, 'Float32': <type 'numpy.float32'>, ...} typecodes = {'All': '?bhilqpBHILQPfdgFDGSUVO', 'AllFloat': 'fdgFDG', 'AllInteger': 'bBhHiIlLqQpP', 'Character': 'S1', 'Complex': 'FDG', 'Float': 'fdg', 'Integer': 'bhilqp', 'UnsignedInteger': 'BHILQP'}