logo

TechCodeview

numpy.log() w Pythonie

The numpy.log() to funkcja matematyczna, która pomaga użytkownikowi w obliczeniach Logarytm naturalny x gdzie x należy do wszystkich elementów tablicy wejściowej. Logarytm naturalny to odwrotność exp() , aby log(wyr(x)) = x . Logarytm naturalny to log o podstawie e.

Składnia: numpy.log(x[, out] = ufunc „log1p”) Parametry: tablica: [array_like] Tablica wejściowa lub obiekt. na zewnątrz : [ndarray, opcjonalnie] Tablica wyjściowa o takich samych wymiarach jak tablica wejściowa, umieszczona z wynikiem. Powrót : Tablica z logarytmiczną wartością x; gdzie x należy do wszystkich elementów tablicy wejściowej.



Kod nr 1: Działa

Python3








# 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>))> 

>

Java porównaj ciąg 
>

Wyjście : 

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 nr 2: Reprezentacja graficzna

Python3

spróbuj złapać blok w Javie




# 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()> 

>

>

Wyjście : 

out_array : [ 0. 0.18232156 0.33647224 0.47000363 0.58778666 0.69314718]>

numpy.log() to funkcja w bibliotece NumPy języka Python, która służy do obliczania logarytmu naturalnego danego wejścia. Logarytm naturalny jest funkcją matematyczną będącą odwrotnością funkcji wykładniczej. Funkcja przyjmuje jako dane wejściowe tablicę lub skalar i zwraca tablicę lub skalar z logarytmem naturalnym każdego elementu.

Zalety korzystania z funkcji numpy.log() w Pythonie:

  1. Szybkość: funkcja numpy.log() jest wysoce zoptymalizowana pod kątem szybkich obliczeń, dzięki czemu nadaje się do obsługi dużych zbiorów danych i skomplikowanych obliczeń w obliczeniach naukowych i analizie danych.
  2. Dokładność matematyczna: funkcja numpy.log() zapewnia wysoką dokładność matematyczną przy obliczaniu logarytmów naturalnych, co czyni ją przydatną w symulacjach numerycznych i eksperymentach naukowych.
  3. Wszechstronność: funkcji numpy.log() można używać z szeroką gamą typów danych wejściowych, w tym skalarami, tablicami i macierzami.
  4. Integracja z innymi funkcjami NumPy: Funkcję numpy.log() można łatwo zintegrować z innymi funkcjami i bibliotekami NumPy, umożliwiając bardziej złożone obliczenia i analizę danych.

Wady korzystania z funkcji numpy.log() w Pythonie:

  1. Ograniczona domena: funkcja numpy.log() jest zdefiniowana tylko dla dodatnich liczb rzeczywistych i zgłosi błąd ValueError, jeśli zostanie podana liczba różna od dodatniej.
  2. Ograniczona funkcjonalność: chociaż funkcja numpy.log() jest przydatna do obliczania logarytmów naturalnych, ma ograniczoną funkcjonalność w porównaniu z innymi, bardziej wyspecjalizowanymi bibliotekami i funkcjami do operacji matematycznych i analizy danych.
  3. Wymaga biblioteki NumPy: Aby używać funkcji numpy.log(), musisz mieć zainstalowaną i zaimportowaną bibliotekę NumPy do swojego środowiska Pythona, co może powodować pewne obciążenie kodu i może nie być odpowiednie dla niektórych aplikacji.

Oto kilka ważnych punktów, o których należy pamiętać podczas korzystania z funkcji numpy.log() w Pythonie:

  1. Funkcja numpy.log() oblicza logarytm naturalny danego wejścia.
  2. Logarytm naturalny jest funkcją matematyczną będącą odwrotnością funkcji wykładniczej.
  3. Funkcja pobiera jako dane wejściowe tablicę lub skalar i zwraca tablicę lub skalar z logarytmem naturalnym każdego elementu.
  4. Funkcja numpy.log() jest wysoce zoptymalizowana pod kątem szybkich obliczeń, dzięki czemu nadaje się do obsługi dużych zbiorów danych i skomplikowanych obliczeń w obliczeniach naukowych i analizie danych.
  5. Funkcji numpy.log() można używać z szeroką gamą typów danych wejściowych, w tym ze skalarami, tablicami i macierzami.
  6. Funkcja numpy.log() jest zdefiniowana tylko dla dodatnich liczb rzeczywistych i zgłosi błąd ValueError, jeśli zostanie podana liczba różna od dodatniej.
  7. Funkcja numpy.log() zapewnia wysoką matematyczną dokładność obliczania logarytmów naturalnych, dzięki czemu jest przydatna w symulacjach numerycznych i eksperymentach naukowych.
  8. Aby korzystać z funkcji numpy.log(), musisz mieć zainstalowaną i zaimportowaną bibliotekę NumPy do swojego środowiska Python.

Jeśli szukasz podręcznika

w NumPy popularną opcją jest Python do analizy danych autorstwa Wesa McKinneya. W tej książce szczegółowo opisano NumPy oraz inne ważne biblioteki Pythona do analizy danych, takie jak pandy i matplotlib. Zawiera także praktyczne przykłady i ćwiczenia, które pomogą Ci zastosować zdobytą wiedzę.