Автор оригинала: Pankaj Kumar.
Эй, ребята! В этой статье мы сосредоточимся на Функциях логарифма Python Numpy .
Начало работы с журналом Python NumPy
Модуль Python NumPy занимается созданием и манипулированием элементами данных массива.
Метод numpy.log () используется для вычисления натурального логарифмического значения значения данных элемента/массива значений.
Синтаксис:
numpy.log(element/array)
Пример 1:
import numpy as np data = 12.2 log_val = np.log(data) print(log_val)
Выход:
2.501435951739211
Пример 2:
import numpy as np data = np.e log_val = np.log(data) print(log_val)
Выход:
1.0
Числовой логарифм с основанием 2
Помимо функциональности по умолчанию метода log () , мы можем вычислить значение журнала массива NumPy или элемента с базой 2 , используя приведенную ниже команду:
numpy.log2(element)
Пример:
import numpy as np data = 4 log_val = np.log2(data) print(log_val)
Выход:
2.0
Числовой логарифм с основанием 10
Функция numpy.log10 () используется для вычисления натурального логарифмического значения элемента в базе 10.
Синтаксис:
numpy.log10(data)
Пример:
import numpy as np data = 1000 log_val = np.log10(data) print(log_val)
Выход:
3.0
Логарифм NumPy с пользовательской базой
Функция NumPy log() предлагает возможность нахождения логарифмического значения по отношению к определенным пользователем базисам.
Синтаксис:
numpy.log(data)/numpy.log(base)
Пример:
import numpy as np data = 1000 base = 40 log_val = np.log(data)/np.log(base) print(log_val)
В приведенном выше примере мы рассчитали логарифмическое значение 1000 с основанием 40.
Как мы все знаем,
Таким образом, приведенная выше математическая концепция используется для вычисления логарифмического значения значения данных в пользовательское базовое значение.
Выход:
1.8725890517453545
Выполнение журнала NumPy в 2-D массиве
Метод numpy.log() может быть применен к 2-D массиву NumPy для вычисления логарифмических значений всех элементов массива.
Синтаксис:
numpy.log(array)
Пример:
import numpy as np
arr = np.arange(1,5).reshape(2,2)
print("Original Array:\n")
print(arr)
print("\Logarithmic value of array elements:\n")
log_val=np.log(arr)
print(log_val)
В приведенном выше примере мы создали массив 2×2 с помощью функции numpy.reshape () и использовали случайные числа для создания значений данных с помощью метода numpy.arange () .
Кроме того, метод numpy.log() используется для поиска значения журнала каждого элемента массива.
Выход:
Original Array: [[1 2] [3 4]] Logarithmic value of array elements: [[0. 0.69314718] [1.09861229 1.38629436]]
Применение журнала NumPy к массиву NumPy
Пример:
import numpy as np
arr = np.array([10,20,30,4,5])
print("Original Array:\n")
print(arr)
print("\nLogarithm value of array elements:\n")
log_val=np.log(arr)
print(log_val)
Мы создали массив NumPy с помощью функции numpy.array () и использовали метод numpy.log() для вычисления значений журнала всех элементов данных 1-D массива.
Выход:
Original Array: [10 20 30 4 5] Logarithm value of array elements: [2.30258509 2.99573227 3.40119738 1.38629436 1.60943791]
Графическое представление журнала NumPy
Чтобы лучше понять вычисленные значения журнала, мы можем сопоставить значения журнала с исходными значениями с помощью модуля Python Matplotlib .
Пример :
import numpy as np import matplotlib.pyplot as plt arr = np.array([10,20,30,40,50]) log_val=np.log(arr) plt.plot(log_val,arr,marker='*',color='green')
В приведенном выше примере мы использовали метод pyplot.plot () для построения значений журнала относительно исходных значений массива.
Выход:
Вывод
Таким образом, в этой статье мы поняли работу метода Python NumPy log наряду с различными случаями.