Python tilbyder mange indbyggede logaritmiske funktioner under modulet matematik som giver os mulighed for at beregne logfiler ved hjælp af en enkelt linje. Der er 4 varianter af logaritmiske funktioner, som alle er diskuteret i denne artikel.
1. log(a,(Base)): Denne funktion bruges til at beregne naturlig logaritme (Basis e) af en. Hvis 2 argumenter sendes, beregner den logaritmen af ​​den ønskede base af argument a, numerisk værdi af log(a)/log(Base) .

 Syntax : math.log(a,Base) Parameters :  a : The numeric value Base : Base to which the logarithm has to be computed. Return Value :  Returns natural log if 1 argument is passed and log with specified base if 2 arguments are passed. Exceptions :  Raises ValueError if a negative no. is passed as argument.>

Python3

itererende kort java

>

>

Output:

Natural logarithm of 14 is : 2.6390573296152584 Logarithm base 5 of 14 is : 1.6397385131955606>

2. log2(a): Denne funktion bruges til at beregne logaritmebasis 2 af en. Viser et mere nøjagtigt resultat end log(a,2).

 Syntax : math.log2(a) Parameters :  a : The numeric value Return Value :  Returns logarithm base 2 of a Exceptions :  Raises ValueError if a negative no. is passed as argument.>

Python3

>

>

Output:

Logarithm base 2 of 14 is : 3.807354922057604>

3. log10(a): Denne funktion bruges til at beregne logaritmebase 10 af en. Viser et mere nøjagtigt resultat end log(a,10).

 Syntax : math.log10(a) Parameters :  a : The numeric value Return Value :  Returns logarithm base 10 of a Exceptions :  Raises ValueError if a negative no. is passed as argument.>

Python3

>

>

Output:

Logarithm base 10 of 14 is : 1.146128035678238>

3. log1p(a): Denne funktion bruges til at beregne logaritme(1+a) .

 Syntax : math.log1p(a) Parameters :  a : The numeric value Return Value :  Returns log(1+a) Exceptions :  Raises ValueError if a negative no. is passed as argument.>

Python3

>

>

Output:

Logarithm(1+a) value of 14 is : 2.70805020110221>

1. ValueError: Denne funktion returnerer værdifejl, hvis nummer er negativ .

Python3

>

>

Output:

log(a) value of -14 is :>

Kørselsfejl:

Traceback (most recent call last): File '/home/8a74e9d7e5adfdb902ab15712cbaafe2.py', line 9, in print (math.log(-14)) ValueError: math domain error>

En af anvendelserne af log10()-funktionen er, at den bruges til at beregne ingen. af cifre i et tal . Koden nedenfor illustrerer det samme.

Python3

>

>

Output:

The number of digits in 73293 are : 5>

Den naturlige logaritme (log) er en vigtig matematisk funktion i Python, der ofte bruges i videnskabelige databehandlings-, dataanalyse- og maskinlæringsapplikationer. Her er nogle fordele, ulemper, vigtige punkter og opslagsværker relateret til logfunktioner i Python:

Fordele:

Logfunktionen er nyttig til at transformere data, der har en bred vifte af værdier eller en ikke-normal fordeling, til en mere normalfordelt form, hvilket kan forbedre nøjagtigheden af ​​statistiske analyser og maskinlæringsmodeller.
Logfunktionen er meget brugt i finans og økonomi til at beregne renters rente, nutidsværdier og andre finansielle målinger.
Logfunktionen kan bruges til at reducere effekten af ​​outliers på statistiske analyser ved at komprimere dataenes skala.
Logfunktionen kan bruges til at visualisere data med et stort dynamisk område eller med værdier tæt på nul.

Ulemper:

Logfunktionen kan være beregningsmæssig dyr for store datasæt, især hvis logfunktionen anvendes gentagne gange.
Logfunktionen er muligvis ikke egnet til alle typer data, såsom kategoriske data eller data med et afgrænset område.

Vigtige punkter:

1. Den naturlige logaritme (log) beregnes ved hjælp af funktionen numpy.log() i Python.
2. Logaritmen med en anden grundtal end e kan beregnes ved hjælp af funktionerne numpy.log10() eller numpy.log2() i Python.
3. Den inverse af den naturlige logaritme er den eksponentielle funktion, som kan beregnes ved hjælp af funktionen numpy.exp() i Python.
4. Når du bruger logaritmer til statistiske analyser eller maskinlæring, er det vigtigt at huske at transformere dataene tilbage til deres oprindelige skala efter analyse.

Opslagsbøger:

Python for Data Analysis af Wes McKinney dækker NumPy-biblioteket og dets applikationer i dataanalyse i dybden, inklusive den logaritmiske funktion.
Numerical Python: A Practical Techniques Approach for Industry af Robert Johansson dækker NumPy-biblioteket og dets anvendelser inden for numerisk og videnskabelig databehandling i dybden, herunder den logaritmiske funktion.
Python Data Science Handbook af Jake VanderPlas dækker NumPy-biblioteket og dets applikationer inden for datavidenskab i dybden, inklusive den logaritmiske funktion.