Det numpy.log() er en matematisk funktion, der hjælper brugeren med at beregne Naturlig logaritme af x hvor x hører til alle input array-elementerne. Naturlig logaritmelog er den omvendt af exp() , så det log(exp(x)) = x . Den naturlige logaritme er log i grundtallet e.
Syntaks: numpy.log(x[, ud] = ufunc 'log1p') Parametre: array: [array_like] Input-array eller objekt. ud: [ndarray, valgfri] Output-array med samme dimensioner som Input-array, placeret med resultat. Vend tilbage : En matrix med naturlig logaritmisk værdi af x; hvor x hører til alle elementer i input array.
Kode #1: Virker
Python3
arveprogram i python
# 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>))> |
>
nussede nuller
>
Output:
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>
Kode #2 : Grafisk repræsentation
Python3
pete davidson nationalitet
# 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()> |
>
netværk og internet
>
Output:
out_array : [ 0. 0.18232156 0.33647224 0.47000363 0.58778666 0.69314718]>
numpy.log() er en funktion i NumPy-biblioteket i Python, der bruges til at beregne den naturlige logaritme for et givet input. Den naturlige logaritme er en matematisk funktion, der er den inverse af eksponentialfunktionen. Funktionen tager en matrix eller en skalar som input og returnerer en matrix eller en skalar med den naturlige logaritme for hvert element.
Fordele ved at bruge numpy.log()-funktionen i Python:
- Hastighed: numpy.log()-funktionen er meget optimeret til hurtig beregning, hvilket gør den velegnet til at håndtere store datasæt og komplekse beregninger i videnskabelig databehandling og dataanalyse.
- Matematisk nøjagtighed: Funktionen numpy.log() giver høj matematisk nøjagtighed til beregning af naturlige logaritmer, hvilket gør den nyttig i numeriske simuleringer og videnskabelige eksperimenter.
- Alsidighed: numpy.log()-funktionen kan bruges med en lang række inputtyper, herunder skalarer, arrays og matricer.
- Integration med andre NumPy-funktioner: numpy.log()-funktionen kan nemt integreres med andre NumPy-funktioner og biblioteker, hvilket giver mulighed for mere komplekse beregninger og dataanalyse.
Ulemper ved at bruge numpy.log()-funktionen i Python:
- Begrænset domæne: numpy.log() funktion er kun defineret for positive reelle tal, og vil fremkalde en ValueError, hvis den gives et ikke-positivt tal.
- Begrænset funktionalitet: Mens numpy.log()-funktionen er nyttig til at beregne naturlige logaritmer, har den begrænset funktionalitet sammenlignet med andre mere specialiserede biblioteker og funktioner til matematiske operationer og dataanalyse.
- Kræver NumPy-bibliotek: For at bruge numpy.log()-funktionen skal du have NumPy-biblioteket installeret og importeret i dit Python-miljø, hvilket kan tilføje nogle overhead til din kode og muligvis ikke være egnet til visse applikationer.
Her er nogle vigtige punkter, du skal huske på, når du bruger funktionen numpy.log() i Python:
- Funktionen numpy.log() beregner den naturlige logaritme for et givet input.
- Den naturlige logaritme er en matematisk funktion, der er den inverse af eksponentialfunktionen.
- Funktionen tager en matrix eller en skalar som input og returnerer en matrix eller en skalar med den naturlige logaritme for hvert element.
- Funktionen numpy.log() er meget optimeret til hurtig beregning, hvilket gør den velegnet til at håndtere store datasæt og komplekse beregninger i videnskabelig databehandling og dataanalyse.
- Funktionen numpy.log() kan bruges med en lang række inputtyper, herunder skalarer, arrays og matricer.
- Funktionen numpy.log() er kun defineret for positive reelle tal, og vil fremkalde en ValueError, hvis den gives et ikke-positivt tal.
- Funktionen numpy.log() giver høj matematisk nøjagtighed til beregning af naturlige logaritmer, hvilket gør den nyttig i numeriske simuleringer og videnskabelige eksperimenter.
- For at bruge funktionen numpy.log() skal du have NumPy-biblioteket installeret og importeret i dit Python-miljø.
Hvis du leder efter en opslagsbog
på NumPy er en populær mulighed Python for Data Analysis af Wes McKinney. Denne bog dækker NumPy i dybden sammen med andre vigtige Python-biblioteker til dataanalyse såsom pandaer og matplotlib. Den indeholder også praktiske eksempler og øvelser, der hjælper dig med at anvende det, du lærer.