De numpy.log() är en matematisk funktion som hjälper användaren att beräkna Naturlig logaritm av x där x tillhör alla indatamatriselement. Naturlig logaritmlogg är den invers av exp() , så att log(exp(x)) = x . Den naturliga logaritmen är log i basen e.
Syntax : numpy.log(x[, ut] = ufunc 'log1p') Parametrar: array: [array_like] Inmatningsmatris eller objekt. ut: [ndarray, valfritt] Utdatamatris med samma dimensioner som Inmatningsmatris, placerad med resultat. Lämna tillbaka : En matris med naturligt logaritmiskt värde på x; där x tillhör alla element i inmatningsmatrisen.
Kod #1: Fungerar
Python3
maskinskriven var och en
# Python program explaining> # log() function> import> numpy as np> > in_array>=> [>1>,>3>,>5>,>2>*>*>8>]> print> (>'Input array : '>, in_array)> > out_array>=> np.log(in_array)> print> (>'Output array : '>, out_array)> > > print>(>'
np.log(4**4) : '>, np.log(>4>*>*>4>))> print>(>'np.log(2**8) : '>, np.log(>2>*>*>8>))> |
>
strint till int
>
Utgång:
Input array : [1, 3, 5, 256] Output array : [ 0. 1.09861229 1.60943791 5.54517744] np.log(4**4) : 5.54517744448 np.log(2**8) : 5.54517744448>
Kod #2 : Grafisk representation
Python3
# Python program showing> # Graphical representation> # of log() function> import> numpy as np> import> matplotlib.pyplot as plt> > in_array>=> [>1>,>1.2>,>1.4>,>1.6>,>1.8>,>2>]> out_array>=> np.log(in_array)> > print> (>'out_array : '>, out_array)> > plt.plot(in_array, in_array,> >color>=> 'blue'>, marker>=> '*'>)> > # red for numpy.log()> plt.plot(out_array, in_array,> >color>=> 'red'>, marker>=> 'o'>)> > plt.title(>'numpy.log()'>)> plt.xlabel(>'out_array'>)> plt.ylabel(>'in_array'>)> plt.show()> |
>
understrykning
>
Utgång:
out_array : [ 0. 0.18232156 0.33647224 0.47000363 0.58778666 0.69314718]>
numpy.log() är en funktion i NumPy-biblioteket i Python som används för att beräkna den naturliga logaritmen för en given indata. Den naturliga logaritmen är en matematisk funktion som är inversen av exponentialfunktionen. Funktionen tar en matris eller en skalär som indata och returnerar en matris eller en skalär med den naturliga logaritmen för varje element.
Fördelar med att använda numpy.log()-funktionen i Python:
- Hastighet: numpy.log()-funktionen är mycket optimerad för snabb beräkning, vilket gör den lämplig för att hantera stora datamängder och komplexa beräkningar i vetenskaplig beräkning och dataanalys.
- Matematisk noggrannhet: numpy.log()-funktionen ger hög matematisk noggrannhet för beräkning av naturliga logaritmer, vilket gör den användbar i numeriska simuleringar och vetenskapliga experiment.
- Mångsidighet: numpy.log()-funktionen kan användas med ett brett utbud av indatatyper, inklusive skalärer, matriser och matriser.
- Integration med andra NumPy-funktioner: numpy.log()-funktionen kan enkelt integreras med andra NumPy-funktioner och bibliotek, vilket möjliggör mer komplexa beräkningar och dataanalys.
Nackdelar med att använda numpy.log()-funktionen i Python:
- Begränsad domän: numpy.log()-funktionen är endast definierad för positiva reella tal, och kommer att höja ett ValueError om det ges ett icke-positivt tal.
- Begränsad funktionalitet: Även om funktionen numpy.log() är användbar för att beräkna naturliga logaritmer, har den begränsad funktionalitet jämfört med andra mer specialiserade bibliotek och funktioner för matematiska operationer och dataanalys.
- Kräver NumPy-bibliotek: För att använda numpy.log()-funktionen måste du ha NumPy-biblioteket installerat och importerat i din Python-miljö, vilket kan lägga till lite overhead till din kod och kanske inte är lämpligt för vissa applikationer.
Här är några viktiga punkter att tänka på när du använder funktionen numpy.log() i Python:
- Funktionen numpy.log() beräknar den naturliga logaritmen för en given indata.
- Den naturliga logaritmen är en matematisk funktion som är inversen av exponentialfunktionen.
- Funktionen tar en matris eller en skalär som indata och returnerar en matris eller en skalär med den naturliga logaritmen för varje element.
- Funktionen numpy.log() är mycket optimerad för snabb beräkning, vilket gör den lämplig för att hantera stora datamängder och komplexa beräkningar i vetenskaplig beräkning och dataanalys.
- Funktionen numpy.log() kan användas med ett stort antal indatatyper, inklusive skalärer, matriser och matriser.
- Funktionen numpy.log() är endast definierad för positiva reella tal, och kommer att höja ett ValueError om det ges ett icke-positivt tal.
- Funktionen numpy.log() ger hög matematisk noggrannhet för beräkning av naturliga logaritmer, vilket gör den användbar i numeriska simuleringar och vetenskapliga experiment.
- För att använda funktionen numpy.log() måste du ha NumPy-biblioteket installerat och importerat i din Python-miljö.
Om du letar efter en uppslagsbok
på NumPy är ett populärt alternativ Python for Data Analysis av Wes McKinney. Den här boken täcker NumPy på djupet, tillsammans med andra viktiga Python-bibliotek för dataanalys som pandor och matplotlib. Den innehåller också praktiska exempel och övningar som hjälper dig att tillämpa det du lär dig.