Np Log()を使用してNumpyのログを計算する

Numpy log()関数は、ユーザーがx自然対数を計算するのに役立ちます 。xはすべての入力配列要素に属します。

Numpy log()

Numpy logは、xの自然対数を計算するために使用される数学的方法です。xはすべての入力配列要素に属します。

自然対数ログは指数法の逆であるため、log(exp(x))= xです。自然対数は、底eの対数です。

構文

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

パラメーター

np.log()メソッドは、非常に大きなパラメーターしかないという点で単純です。

 

三つのパラメータnp.logは()であり、Xアウト、および場合、しかしつ以上のパラメータが存在します

これらのパラメーターのうちの2つ、outパラメーターとwhereパラメーターは、あまり一般的に使用されていません。一つずつ見ていきましょう。

 

x:array_like

Xのパラメータがnumpyのログ()関数の入力値を定義します。

out:ndarray、None、またはndarrayとNoneのタプル(オプション)

out引数は、結果が格納される場所を定義するために使用されます。out引数を定義する場合、入力ブロードキャストに似た形状である必要があります。それ以外の場合は、新しく割り当てられた配列が返されます。タプルは出力の数に等しい長さを有します。

ここで、array_like(オプション)

これは、入力を介してブロードキャストされる条件です。条件がTrueであるこの場所では、out配列はufunc(ユニバーサル関数)の結果に設定されます。それ以外の場合は、元の値を保持します。

キャスト:{'no'、 'equiv'、 'safe'、 'same_kind'、 'unsafe'}(オプション)

鋳造 パラメータのコントロール発生する可能性があり、データ放送の種類。

no」は、データ型をまったくキャストしないことを意味します

equiv」は、バイト順序の変更のみが許可されることを意味します。

' safe'引数は、保存された値を許可できる唯一のキャストを意味します。

パラメータ「same_kind」手段の種類内の唯一の安全なキャストやキャスト。

' unsafe'パラメータは、データ変換が行われる可能性があることを意味します。

順序:{'K'、 'C​​'、 'F'、 'A'}(オプション)

order引数は、出力配列の計算反復順序/メモリレイアウトを定義します。デフォルトでは、順序はKになります。

順序「C」は、出力がC連続である必要があることを意味します。

順序「F」F連続を意味します

順序「A」は、入力がF連続である場合は、F連続を意味し、入力がC連続である場合、「A」は、C連続を意味します。「K」は、入力の要素の順序を(可能な限り厳密に)一致させることを意味します。

dtype:データ型(オプション)

これは、計算配列と出力配列のdtypeをオーバーライドします。

subok:bool(オプション)

デフォルトでは、subokパラメーターはTrueに設定されていますFalse値に設定すると、出力は常にサブタイプではなく厳密な配列になります。

サイン

署名引数は、私たちはに特定の署名を提供することを可能にする1次元の基礎となる計算に使用される「の」ループ。

extobj

extobjの引数は、リストの長さ1、2、または3を指定のufuncバッファサイズを、エラーモード整数であり、エラーコールバックメソッド。

戻り値

Numpy log()関数は、入力配列のすべての要素に属するxの自然対数値を含むndarrayを返します。

log()関数を使用するための構文は非常に単純ですが、操作の例がいくつかあると、コードを理解するのが常に簡単になります。そうは言っても、いくつかの例を見てみましょう。

import numpy as np

data = np.array([1, 3, 5, 9])
print('The data array is: ', data)

logval = np.log(data)
print('The "logval" array is: ', logval)

出力

The data array is:  [1 3 5 9]
The "logval" array is:  [0.         1.09861229 1.60943791 2.19722458]

上記のコードでは、最初にエイリアス名npのnumpyをインポートし、次にnp.array()関数を使用して配列データを作成しました。次に、np log()メソッドを使用して自然対数を取得しました。

npログのグラフィック表現

matplotlibライブラリを使用して、ログ値のグラフィック表現を作成できます。

import numpy as np
import matplotlib.pyplot as plt

arr = [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='green', marker="o")
plt.plot(res2, arr, color='red', marker="*")
plt.plot(res3, arr, color='black', marker="*")
plt.show()

出力

npログのグラフィック表現

単一の数値でnp.log()を使用する

ここでは、オイラー数としても知られる数学定数eの自然対数を計算します。

これを行うには、Numpy配列の定数np.eを使用できます。

次に印刷すると、次の値が表示されます。

print(np.e)

出力

2.718281828459045

ln(e)それでは、np.log()を使用して計算してみましょう  。

import numpy as np

print(np.log(np.e))

出力

 python3 app.py
1.0

これは比較的簡単です。

ここではe、関数ln(x)が指数の逆関数であるため、 定数の自然対数を計算しています 。

必要に応じて、e。以外の番号を使用してこのコードを実行してみてください 。

2次元のNumpy配列にログを適用する

まず、Numpy配列を作成しましょう。np.arangeを使用して1〜6の値でNumpy配列を作成し、Numpy reshape ()メソッドを使用してその配列を2次元に再形成します。

import numpy as np

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

出力

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

それでは、Numpy log()を使用して自然対数を計算してみましょう。

import numpy as np

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

出力

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

繰り返しますが、np.log()は、入力配列内のすべての要素の自然対数を計算するだけです。

この場合、入力は2 X 3配列(2行3列の2次元配列)であったため、出力は同じ形状になります。

要約

まとめる と、Numpyログ関数は比較的単純です。これを使用して、Numpy 配列の値の自然対数を計算します。あなたはおそらく数学の授業からの対数を覚えているでしょう。

自然対数はの逆である 指数関数e ^ xそのようなこと:

  \ [ln(e ^ x)= x \]

ログの計算は科学的なタスクではかなり一般的であり、Numpy log()メソッドを使用すると、Pythonで自然対数を簡単に計算できます。

リンク: https://appdividend.com/2020/06/06/numpy-log-example-np-log-function-in-python/

#python 

What is GEEK

Buddha Community

Np Log()を使用してNumpyのログを計算する
Madilyn  Kihn

Madilyn Kihn

1591278060

Np expand_dims | Numpy expand_dims() Example in Python

Np expand_dims | Numpy expand_dims() Example in Python
Numpy expand_dims() method expands the shape of an array. The np expand_dims inserts a new axis that will appear at the axis position in the expanded array shape.
Python Numpy expand_dims() method expands the array by inserting a new axis at the specified position. This function requires two parameters.

#python #numpy #np #programming

Np Log()を使用してNumpyのログを計算する

Numpy log()関数は、ユーザーがx自然対数を計算するのに役立ちます 。xはすべての入力配列要素に属します。

Numpy log()

Numpy logは、xの自然対数を計算するために使用される数学的方法です。xはすべての入力配列要素に属します。

自然対数ログは指数法の逆であるため、log(exp(x))= xです。自然対数は、底eの対数です。

構文

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

パラメーター

np.log()メソッドは、非常に大きなパラメーターしかないという点で単純です。

 

三つのパラメータnp.logは()であり、Xアウト、および場合、しかしつ以上のパラメータが存在します

これらのパラメーターのうちの2つ、outパラメーターとwhereパラメーターは、あまり一般的に使用されていません。一つずつ見ていきましょう。

 

x:array_like

Xのパラメータがnumpyのログ()関数の入力値を定義します。

out:ndarray、None、またはndarrayとNoneのタプル(オプション)

out引数は、結果が格納される場所を定義するために使用されます。out引数を定義する場合、入力ブロードキャストに似た形状である必要があります。それ以外の場合は、新しく割り当てられた配列が返されます。タプルは出力の数に等しい長さを有します。

ここで、array_like(オプション)

これは、入力を介してブロードキャストされる条件です。条件がTrueであるこの場所では、out配列はufunc(ユニバーサル関数)の結果に設定されます。それ以外の場合は、元の値を保持します。

キャスト:{'no'、 'equiv'、 'safe'、 'same_kind'、 'unsafe'}(オプション)

鋳造 パラメータのコントロール発生する可能性があり、データ放送の種類。

no」は、データ型をまったくキャストしないことを意味します

equiv」は、バイト順序の変更のみが許可されることを意味します。

' safe'引数は、保存された値を許可できる唯一のキャストを意味します。

パラメータ「same_kind」手段の種類内の唯一の安全なキャストやキャスト。

' unsafe'パラメータは、データ変換が行われる可能性があることを意味します。

順序:{'K'、 'C​​'、 'F'、 'A'}(オプション)

order引数は、出力配列の計算反復順序/メモリレイアウトを定義します。デフォルトでは、順序はKになります。

順序「C」は、出力がC連続である必要があることを意味します。

順序「F」F連続を意味します

順序「A」は、入力がF連続である場合は、F連続を意味し、入力がC連続である場合、「A」は、C連続を意味します。「K」は、入力の要素の順序を(可能な限り厳密に)一致させることを意味します。

dtype:データ型(オプション)

これは、計算配列と出力配列のdtypeをオーバーライドします。

subok:bool(オプション)

デフォルトでは、subokパラメーターはTrueに設定されていますFalse値に設定すると、出力は常にサブタイプではなく厳密な配列になります。

サイン

署名引数は、私たちはに特定の署名を提供することを可能にする1次元の基礎となる計算に使用される「の」ループ。

extobj

extobjの引数は、リストの長さ1、2、または3を指定のufuncバッファサイズを、エラーモード整数であり、エラーコールバックメソッド。

戻り値

Numpy log()関数は、入力配列のすべての要素に属するxの自然対数値を含むndarrayを返します。

log()関数を使用するための構文は非常に単純ですが、操作の例がいくつかあると、コードを理解するのが常に簡単になります。そうは言っても、いくつかの例を見てみましょう。

import numpy as np

data = np.array([1, 3, 5, 9])
print('The data array is: ', data)

logval = np.log(data)
print('The "logval" array is: ', logval)

出力

The data array is:  [1 3 5 9]
The "logval" array is:  [0.         1.09861229 1.60943791 2.19722458]

上記のコードでは、最初にエイリアス名npのnumpyをインポートし、次にnp.array()関数を使用して配列データを作成しました。次に、np log()メソッドを使用して自然対数を取得しました。

npログのグラフィック表現

matplotlibライブラリを使用して、ログ値のグラフィック表現を作成できます。

import numpy as np
import matplotlib.pyplot as plt

arr = [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='green', marker="o")
plt.plot(res2, arr, color='red', marker="*")
plt.plot(res3, arr, color='black', marker="*")
plt.show()

出力

npログのグラフィック表現

単一の数値でnp.log()を使用する

ここでは、オイラー数としても知られる数学定数eの自然対数を計算します。

これを行うには、Numpy配列の定数np.eを使用できます。

次に印刷すると、次の値が表示されます。

print(np.e)

出力

2.718281828459045

ln(e)それでは、np.log()を使用して計算してみましょう  。

import numpy as np

print(np.log(np.e))

出力

 python3 app.py
1.0

これは比較的簡単です。

ここではe、関数ln(x)が指数の逆関数であるため、 定数の自然対数を計算しています 。

必要に応じて、e。以外の番号を使用してこのコードを実行してみてください 。

2次元のNumpy配列にログを適用する

まず、Numpy配列を作成しましょう。np.arangeを使用して1〜6の値でNumpy配列を作成し、Numpy reshape ()メソッドを使用してその配列を2次元に再形成します。

import numpy as np

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

出力

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

それでは、Numpy log()を使用して自然対数を計算してみましょう。

import numpy as np

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

出力

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

繰り返しますが、np.log()は、入力配列内のすべての要素の自然対数を計算するだけです。

この場合、入力は2 X 3配列(2行3列の2次元配列)であったため、出力は同じ形状になります。

要約

まとめる と、Numpyログ関数は比較的単純です。これを使用して、Numpy 配列の値の自然対数を計算します。あなたはおそらく数学の授業からの対数を覚えているでしょう。

自然対数はの逆である 指数関数e ^ xそのようなこと:

  \ [ln(e ^ x)= x \]

ログの計算は科学的なタスクではかなり一般的であり、Numpy log()メソッドを使用すると、Pythonで自然対数を簡単に計算できます。

リンク: https://appdividend.com/2020/06/06/numpy-log-example-np-log-function-in-python/

#python 

Kasey  Turcotte

Kasey Turcotte

1623232680

Comparing The Speed and Filesize Of to_csv(), Np.save(), To_hdf(), To_pickle() Functions

Achieve ×66 speedup read time, ×25 write time, and ×0.39 filesize on your daily I/O operations.

Reading and writing files using Pandas and NumPy is an everyday task for Data Scientists and Engineers.

Let’s compare the most common functions that these libraries provide to write/read tabular data.

We can make our code much faster in these I/O operations, save time, and make our boss and ourselves happy.

We can also save serious amounts of disk space by choosing the appropriate save function.

First, let’s create a DataFrame of 10,000,000 rows and 2 columns.

#data-science #machine-learning #programming #pandas #csv(), np.save(), to_hdf(), to_pickle() functions #filesize

Alec  Nikolaus

Alec Nikolaus

1596650160

Demystifying np.where and np.select

In this article we will understand np.where, np.select with some examples.

numpy.where

numpy.where(condition[, x, y])

This function returns x if the condition is true else it returns y

Example 1: Given a one-dimensional array from (0,9) if elements are less than 5 the element should be the same else multiply the element by 10.

import numpy as np 
a = np.arange(10)
np.where(a < 5,a,10*a)
Out[1]: array([ 0,  1,  2,  3,  4, 50, 60, 70, 80, 90])

**Example 2: **Given two 2-D arrays obtain an array with respect to condition.

np.where([[True,False],[True,False]],[[1,2],[3,4]],[[45,52],[78,96]])
Out[3]: 
array([[ 1, 52],
       [ 3, 96]])

If the condition is true we take element from x else from y.

Image for post

**Example 3: **given a 2-d matrix if the value in the ix if less than 4, The value should be the same else return the value as -1.

np.where(a < 4,a,-1)
Out[8]: 
array([[ 0,  1,  2],
       [ 0,  2, -1],
       [ 0,  3, -1]])

#machine-learning #artificial-intelligence #python #numpy #matrix

Bailee  Streich

Bailee Streich

1621949940

6 Key differences between np.ndarray and np.matrix objects

These two are technically different even if they seem to be the same in appearance

Numpy  is the foundational Python library that is widely used for numerical calculations and linear algebra. ndarray  and matrix  objects are commonly used numpy objects. _ndarray _ objects are created from the numpy ndarray  class. matrix  objects are created from the numpy matrix  class. If you’re new to numpy, you may get confused with numpy ndarray  and numpy matrix  objects. They are two different things if they seem to be the same in appearance. Today, we’ll discuss 6 such differences between them.

#numpy #programming #python #matrix #technology