Section Artikel
- 0.1 Log
- 1 Log pada Basis 2
- 2 Log pada Basis 10
- 3 Natural Log, atau Log di Base e
- 4 Log pada Basisi Apapun
Log
NumPy menyediakan fungsi untuk melakukan log di basis 2, e dan 10.
Kita juga akan mempelajari bagaimana kita dapat menghitung log untuk basis apa pun dengan membuat ufunc khusus.
Semua fungsi log akan menempatkan -inf atau inf di elemen jika log tidak dapat dihitung.
Log pada Basis 2
Gunakan fungsi log2[] untuk melakukan log pada basis 2.
Contoh:
Temukan log basis 2 dari semua
elemen array berikut
import numpy as np arr = np.arange[1, 10] print[np.log2[arr]]
Catatan: Fungsi arange [1, 10] mengembalikan array dengan bilangan bulat mulai dari 1 [disertakan] hingga 10 [tidak termasuk].
Log pada Basis 10
Gunakan fungsi log10[] untuk melakukan log basis 10.
Contoh:
Temukan log basis 10 dari semua elemen array berikut
import numpy as np arr = np.arange[1, 10] print[np.log10[arr]]
Natural Log, atau Log di Base e
Gunakan fungsi log[] untuk melakukan log basis e.
Contoh:
Temukan log basis e dari semua elemen array berikut
import numpy as np arr = np.arange[1, 10] print[np.log[arr]]
Log pada Basisi Apapun
NumPy tidak menyediakan fungsi yang berguna untuk menghitung log di basis apapun, tetapi kita bisa menggunakan fungsi frompyfunc[] bersama dengan fungsi matematika.log[] dengan dua parameter input dan satu parameter output.
Contoh:
from math import log import numpy as np nplog = np.frompyfunc[log, 2, 1] print[nplog[100, 15]]
Fungsi numpy log[] membantu pengguna menghitung Logaritma natural dari x di mana x milik semua elemen array input. Log numpy adalah
metode matematika yang digunakan untuk menghitung logaritma natural dari x di mana x milik semua elemen array input. Log logaritma natural merupakan kebalikan dari metode eksponensial, sehingga log[exp[x]] = x . Logaritma natural adalah logaritma basis Dan . #numpy #python Log numpy adalah metode matematika yang digunakan untuk menghitung logaritma natural dari x di mana x milik semua elemen array input.
angularjs dengan simpul js
Log kosong[]
Sintaksis
numpy.log[x, /, out=None, *, where=True, casting='same_kind', order='K', dtype=None, subok=True[, signature, extobj]] =
appdividend.com
Benar, np.log[x]
adalah Log Alami [basis e
log] dari x
.
Untuk pangkalan lain, ingat hukum log ini: log-b[x] = log-k[x] / log-k[b]
di mana log-b
adalah log di beberapa basis acak b
, dan log-k
adalah log di basis k
, mis.
di sini k = e
l = np.log[x] / np.log[100]
dan l
adalah log-base-100 dari x
View Discussion
Improve Article
Save Article
View Discussion
Improve Article
Save Article
The numpy.log[] is a mathematical function that helps user to calculate Natural logarithm of x where x belongs to
all the input array elements.
Natural logarithm log is the inverse of the exp[], so that log[exp[x]] = x. The natural logarithm is log in base e.
Syntax :numpy.log[x[, out] = ufunc ‘log1p’]
Parameters :array : [array_like] Input array or object.
out : [ndarray, optional] Output array with same dimensions as Input array, placed with result.Return :
An array with Natural logarithmic value of x; where x belongs to all elements of input array.
Code #1 : Working
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
[
"\nnp.log[4**4] : "
, np.log[
4
*
*
4
]]
print
[
"np.log[2**8] : "
, np.log[
2
*
*
8
]]
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
Code #2 : Graphical representation
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
=
"*"
]
plt.plot[out_array, in_array,
color
=
'red'
, marker
=
"o"
]
plt.title[
"numpy.log[]"
]
plt.xlabel[
"out_array"
]
plt.ylabel[
"in_array"
]
plt.show[]
Output :
out_array : [ 0. 0.18232156 0.33647224 0.47000363 0.58778666 0.69314718]
References : //docs.scipy.org/doc/numpy-dev/reference/generated/numpy.log.html#numpy.log
.