Numpy log: как рассчитать журнал в Numpy с помощью np log ()

Функция Numpy log () помогает пользователю вычислить натуральный логарифм x , где x принадлежит всем элементам входного массива.

Numpy log ()

Numpy log — это математический метод, который используется для вычисления натурального логарифма x, где x принадлежит всем входным элементам массива.

Логарифм натурального логарифма является обратным экспоненциальному методу, так что log (exp (x)) = x . Натуральный логарифм — это логарифм по основанию e .

 numpy.log (x,/, out = None, *, где = True, casting = 'same_kind', order = 'K', dtype = None, subok = True [, signature, extobj]) =   

Параметры

Метод np.log () прост в том, что он имеет только очень большие параметры.

Три параметра np.log () : x , out и where, но имеется более трех параметров .

Два из этих параметров out и параметр where используются реже. Давайте посмотрим по одному.

x: array_like

Параметр x определяет входное значение для функции numpy log ().

out: ndarray, None или tuple of ndarray и None (необязательно)

Аргумент out используется для определения местоположения, в котором сохраняется результат. Если мы определяем аргумент out, он должен иметь форму, аналогичную входной широковещательной рассылке; в противном случае возвращается только что выделенный массив. Кортеж имеет длину, равную количеству выходов.

где: array_like (необязательно)

Это условие, которое транслируется через вход. В этом месте, где условие True , массив out будет установлен на ufunc (универсальная функция) resul t; в противном случае он сохранит свое исходное значение.

приведение: {‘no’, ‘Equiv’, ‘safe’, ‘same_kind’, ‘unsafe’} (необязательно)

Параметр приведения контролирует тип возможной передачи данных.

« no» означает, что типы данных вообще не должны приводиться.

« эквив» означает, что разрешены только изменения порядка байтов.

Аргумент « safe» означает единственное приведение, которое может разрешить сохраненное значение.

Параметр « same_kind» означает только безопасное приведение или приведение одного типа.

Параметр ‘ unsafe’ означает, что любое преобразование данных может быть выполнено.

порядок: {‘K ‘,’ C ‘,’ F ‘,’ A ‘} (необязательно)

Аргумент order определяет итерацию вычисления макет порядок/память выходного массива. По умолчанию заказ будет K.

Порядок « означает, что вывод должен быть C-смежным .

Порядок ‘ F’ означает F-смежные ,

Порядок ‘A ‘означает F-смежный , если входные данные F-смежные , и если входные данные находятся в C-смежном, тогда «А» означает С-смежный. ‘K’ означает соответствие порядку элементов входных данных (насколько это возможно).

dtype: data-type (необязательно)

Он переопределяет dtype массива вычислений и вывода.

subok: bool (необязательно)

По умолчанию для параметра subok установлено значение True . Если мы установим для него значение False , на выходе всегда будет строгий массив, а не подтип.

подпись

Аргумент signature позволяет нам предоставить конкретную сигнатуру для 1D цикла ‘for’, используемого в базовых вычислениях.

Аргумент extobj — это список длиной 1, 2 или 3 с указанием размера буфера ufunc , целого числа режима ошибки и метода обратного вызова ошибки.

Возвращаемое значение

Функция Numpy log () возвращает массив ndarray, содержащий натуральное логарифмическое значение x, которое принадлежит всем элементам входного массива.

Пример

Синтаксис использования функции log () довольно прост, но всегда легче понять код, если у вас есть несколько примеров работы с. При этом давайте рассмотрим несколько примеров.

 import numpy as npdata = np.array ([1, 3, 5, 9]) print ('Массив данных:',  data) logval = np.log (data) print ('Массив "logval":', logval) 

Вывод

 Массив данных: [1 3 5 9] Массив "logval": [0.  1.09861229 1.60943791 2.19722458] 

В приведенном выше коде сначала мы импортировали numpy с псевдонимом np, а затем создали данные массива с помощью np.array () функция. Затем мы использовали метод np log () для получения натурального логарифма.

Графическое представление np log

Мы можем используйте библиотеку matplotlib для создания графического представления значений журнала.

 import numpy as npimport matplotlib.pyplot as pltarr = [3, 3.4, 3.8, 4.2, 4.6, 5] res = np.log  (arr) res2 = np.log2 (arr) res3 = np.log10 (arr) plt.plot (arr, arr, color = 'blue', marker = "*") plt.plot (res, arr, color = '  зеленый ', marker = "o") plt.plot (res2, arr, color =' red ', marker = "*") plt.plot (res3, arr, color =' black ', marker = "*") plt  .show () 

Вывод

Использование np. log () с одним числом

Здесь мы вычислим натуральный логарифм математической константы e, также известной как число Эйлера.

Для этого мы сможем использовать константу np.e из массива Numpy.

Если вы напечатаете тогда, вы увидите значение:

  print (np.e) 

Вывод

 2.718281828459045 

А теперь давайте вычислим с np.log ().

 импортировать numpy как npprint (np.log (np.e))  

 python3 app.py1.0 

Это относительно просто.

Здесь мы вычисляем натуральный логарифм константы , потому что функция является обратным экспоненте.

Если хотите, попробуйте запустить этот код с другими числами, кроме .

Применение журнала к двухмерному Numpy Массив

Сначала давайте создадим массив Numpy. Мы будем использовать np.arange для создания массива Numpy со значениями от 1 до 6 и преобразовать этот массив в двухмерный, используя метод Numpy reshape ().

 import  numpy as npD2_Array = np.arange (start = 1, stop = 7) .reshape ((2, 3)) print (D2_Array) 

Вывод

 [[1 2 3] [4 5 6]] 

Теперь давайте вычислим натуральный логарифм с помощью Numpy log ().

 импортировать numpy как npD2_Array = np.arange (start = 1, stop = 7) .reshape ((2, 3)) print (np.log (D2_Array)) 

Вывод

 [[0.  0.69314718 1.09861229] [1.38629436 1.60943791 1.79175947]] 

Опять же, np.log () просто вычисляет натуральный логарифм каждого элемента во входном массиве.

В этом случае , входом был массив 2 X 3 (двумерный массив с двумя строками и тремя столбцами), поэтому выходные данные имели ту же форму.

Заключение

В заключение, функция Numpy log относительно проста: мы используем ее для вычисления натурального логарифма значения в массиве Numpy . Вероятно, вы помните логарифмы из уроков математики.

Натуральный логарифм является обратной экспоненциальной функцией, , такое, что:

Вычисление журнала довольно часто встречается в научных задачах, а метод Numpy log () дает нам простой способ вычислить натуральный логарифм в Python. .

См. также

Numpy log2

Numpy log10

Numpy percentile ()

Numpy convolve ()

Numpy random randn ()

Оцените статью
nanomode.ru
Добавить комментарий