logo

TechCodeview

numpy.log() Python

The numpy.log() yra matematinė funkcija, padedanti vartotojui apskaičiuoti Natūralusis x logaritmas kur x priklauso visiems įvesties masyvo elementams. Natūralaus logaritmo žurnalas yra atvirkštinė exp () , taigi log(exp(x)) = x . Natūralus logaritmas yra log in bazė e.

Sintaksė: numpy.log(x[, out] = ufunc ‘log1p’) Parametrai: masyvas: [array_like] Įvesties masyvas arba objektas. išeina: [ndarray, neprivaloma] Išvesties masyvas, kurio matmenys tokie pat kaip įvesties masyvas, patalpintas kartu su rezultatu. Grąžinti: Masyvas, kurio natūralioji logaritminė reikšmė x; kur x priklauso visiems įvesties masyvo elementams.



Kodas #1: Veikia

Python3








java hello world pavyzdys
# 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 parse string į int 

>

Išvestis: 

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>

Kodas #2 : grafinis vaizdas

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()> 

>

pitono rūšiavimo korteles 
>

Išvestis: 

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

numpy.log() yra Python bibliotekos NumPy funkcija, naudojama natūraliam tam tikros įvesties logaritmui apskaičiuoti. Natūralusis logaritmas yra matematinė funkcija, kuri yra atvirkštinė eksponentinės funkcijos. Funkcija naudoja masyvą arba skaliarą kaip įvestį ir grąžina masyvą arba skaliarą su kiekvieno elemento natūraliu logaritmu.

Funkcijos numpy.log() naudojimo Python privalumai:

  1. Greitis: funkcija numpy.log() yra labai optimizuota greitam skaičiavimui, todėl ji tinka tvarkyti didelius duomenų rinkinius ir sudėtingus skaičiavimus atliekant mokslinius skaičiavimus ir duomenų analizę.
  2. Matematinis tikslumas: funkcija numpy.log() suteikia aukštą matematinį tikslumą natūraliems logaritmams skaičiuoti, todėl ji yra naudinga atliekant skaitmeninius modeliavimus ir mokslinius eksperimentus.
  3. Universalumas: funkcija numpy.log() gali būti naudojama su daugybe įvesties tipų, įskaitant skalierius, masyvus ir matricas.
  4. Integracija su kitomis NumPy funkcijomis: funkciją numpy.log() galima lengvai integruoti su kitomis NumPy funkcijomis ir bibliotekomis, todėl galima atlikti sudėtingesnius skaičiavimus ir analizuoti duomenis.

Funkcijos numpy.log() naudojimo Python trūkumai:

  1. Ribotas domenas: funkcija numpy.log() apibrėžiama tik teigiamiems realiesiems skaičiams ir sukels ValueError, jei bus suteiktas ne teigiamas skaičius.
  2. Ribotas funkcionalumas: nors funkcija numpy.log() yra naudinga skaičiuojant natūraliuosius logaritmus, jos funkcionalumas yra ribotas, palyginti su kitomis labiau specializuotomis bibliotekomis ir matematinių operacijų bei duomenų analizės funkcijomis.
  3. Reikalinga NumPy biblioteka: norėdami naudoti funkciją numpy.log(), turite turėti NumPy biblioteką įdiegtą ir importuotą į savo Python aplinką, kuri gali pridėti prie kodo ir gali būti netinkama tam tikroms programoms.

Štai keletas svarbių dalykų, kuriuos reikia atsiminti naudojant numpy.log() funkciją Python:

  1. Funkcija numpy.log() apskaičiuoja tam tikros įvesties natūralųjį logaritmą.
  2. Natūralusis logaritmas yra matematinė funkcija, kuri yra atvirkštinė eksponentinės funkcijos.
  3. Funkcija naudoja masyvą arba skaliarą kaip įvestį ir grąžina masyvą arba skaliarą su kiekvieno elemento natūraliu logaritmu.
  4. Funkcija numpy.log() yra labai optimizuota greitam skaičiavimui, todėl ji tinka tvarkyti didelius duomenų rinkinius ir sudėtingus skaičiavimus atliekant mokslinius skaičiavimus ir duomenų analizę.
  5. Funkciją numpy.log() galima naudoti su daugybe įvesties tipų, įskaitant skalierius, masyvus ir matricas.
  6. Funkcija numpy.log() apibrėžiama tik teigiamiems realiesiems skaičiams ir sukels ValueError, jei bus suteiktas ne teigiamas skaičius.
  7. Funkcija numpy.log() suteikia aukštą matematinį tikslumą natūraliems logaritmams skaičiuoti, todėl ji yra naudinga atliekant skaitmeninius modeliavimus ir atliekant mokslinius eksperimentus.
  8. Kad galėtumėte naudoti funkciją numpy.log(), turite turėti NumPy biblioteką įdiegtą ir importuotą savo Python aplinkoje.

Jei ieškote žinyno

„NumPy“ viena populiari parinktis yra Wes McKinney „Python for Data Analysis“. Šioje knygoje išsamiai aprašomas „NumPy“ ir kitos svarbios „Python“ bibliotekos, skirtos duomenų analizei, pvz., pandos ir matplotlib. Jame taip pat pateikiami praktiniai pavyzdžiai ir pratimai, padėsiantys pritaikyti tai, ko išmokote.