123 lines
4.1 KiB
Markdown
123 lines
4.1 KiB
Markdown
|
# Numpy Exmp1:完整指南
|
|||
|
|
|
|||
|
|
> 原文：<https://www.askpython.com/python-modules/numpy/numpy-exmp1>
|
|||
|
|
|
|||
|
|
欧拉数，也称为“e”，是一个重要的数学常数，以 18 世纪数学家莱昂哈德·欧拉的名字命名。据估计，这个数字的精确度超过一万亿位，是数学计算中的一个重要工具。
|
|||
|
|
|
|||
|
|
> 2.718281828459045……
|
|||
|
|
>
|
|||
|
|
> Euler’s number
|
|||
|
|
|
|||
|
|
末尾的点表示数字的个数继续&这提供了一个推论，即*‘e’*属于无理数的范畴。我们将首先使用下面的代码导入 *numpy* 库。
|
|||
|
|
|
|||
|
|
在本文中，我们将探索欧拉数的历史以及如何在 Numpy Exmp1()函数中使用它。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
import numpy as np
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
此后，我们将通过下面的每一节进一步探索 *expm1( )* 函数。
|
|||
|
|
|
|||
|
|
* ***exp m1()*函数**的语法
|
|||
|
|
* **为什么用 *expm1(x)* 而不用 *exp(x)-1* ？**
|
|||
|
|
* **在标量上使用*exp m1()***
|
|||
|
|
* **在 N 维数组上使用*exp m1()***
|
|||
|
|
|
|||
|
|
* * *
|
|||
|
|
|
|||
|
|
## expm1()函数的语法
|
|||
|
|
|
|||
|
|
*expm1( )* 的功能类似于 *exp( )* 函数，其中“*e”*被提升到给定数字的幂，然后从中减去一(1)。下面是 *expm1( )* 函数的语法，该函数包含其运行所需的强制和可选输入。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
numpy.expm1(x, out=None, *, where=True, dtype=None)
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
在哪里，
|
|||
|
|
|
|||
|
|
* ***x—***N 维数组或标量，其幂为 *e*
|
|||
|
|
* ***out—***一个可选的构造，默认情况下设置为 *none* ，但可用于将结果存储在所需的数组中，该数组的长度与输出的长度相同
|
|||
|
|
* *****–**kwargs 或 keyword argument，这是一个可选结构，用于将关键字可变长度的参数传递给函数
|
|||
|
|
* ***其中—***一个可选构造，当设置为*真*(默认设置)时，用于计算给定位置的通用函数(ufunc ),当设置为*假*时，不计算
|
|||
|
|
* ***dtype—***可选结构，用于指定正在使用的数据类型
|
|||
|
|
|
|||
|
|
* * *
|
|||
|
|
|
|||
|
|
## 为什么用 expm1(x)而不用 exp(x)-1？
|
|||
|
|
|
|||
|
|
您可能想知道为什么需要构建一个特定的函数来从指数中删除一个，而不是使用已经可用的[函数 *exp( )*](https://www.askpython.com/python-modules/numpy/numpy-exp) &从中删除一个！(即) *exp(x)-1。*
|
|||
|
|
|
|||
|
|
让我们这样做，并找出是否有任何可观察到的差异。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
x = 1.5
|
|||
|
|
np.exp(x)-1
|
|||
|
|
np.expm1(x)
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
以下是上述代码的结果。
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
Results when x=1.5
|
|||
|
|
|
|||
|
|
嗯，看起来一切都很好，两个结果是同义的。但是，如果我们稍微减少*‘x’*并部署相同的功能会怎么样呢？那些能够返回相同的结果吗？让我们来了解一下！
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
x = 0.0001
|
|||
|
|
np.exp(x)-1
|
|||
|
|
np.expm1(x)
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
Results when x=0.0001
|
|||
|
|
|
|||
|
|
现在结果不一样了吧？布哈阿哈阿哈阿哈！*(阴险的笑声)*
|
|||
|
|
|
|||
|
|
这背后的主要原因是，任何接近“0”的数字的指数都将非常接近“1”。因此， *exp(x)-1* 在返回结果时似乎不太准确，Python 的 *numpy* 库中提供了一个专用函数 *expm1( )* 。
|
|||
|
|
|
|||
|
|
* * *
|
|||
|
|
|
|||
|
|
## 在标量上使用 expm1()
|
|||
|
|
|
|||
|
|
您还可以通过给 *expm1( )* 函数分配一个负数来查找结果。这将依次返回等价的 *exp(x)，*回报它&，然后从中删除‘1’。对于那些想直接看到结果的人来说，它们就在这里！
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
a = -10
|
|||
|
|
b = 0.000000009
|
|||
|
|
np.expm1(a)
|
|||
|
|
np.expm1(b)
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
Using *expm1*( ) on Scalars
|
|||
|
|
|
|||
|
|
* * *
|
|||
|
|
|
|||
|
|
## 在 N 维数组上使用 expm1()
|
|||
|
|
|
|||
|
|
*expm1( )* 函数在应用于如下所示的 N 维数组时也适用。
|
|||
|
|
|
|||
|
|
```py
|
|||
|
|
ar1 = np.array([[1, 8, 0.09],
|
|||
|
|
[5.007, -3.303, 2]])
|
|||
|
|
np.expm1(ar1)
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
|
|||
|
|
|
|||
|
|
Using *expm1*( ) on N-Dimensional Arrays
|
|||
|
|
|
|||
|
|
* * *
|
|||
|
|
|
|||
|
|
## 结论
|
|||
|
|
|
|||
|
|
既然我们已经到了本文的结尾，希望它已经详细阐述了如何使用来自 *numpy* 库中的 *expm1( )* 函数。这里有另一篇文章详细介绍了 Python 中 *numpy* 库中 *nextafter( )* 函数的[用法。AskPython](https://www.askpython.com/python/how-to-use-numpy-nextafter-in-python) 中还有许多其他有趣且信息量大的文章，可能会对那些希望提高 Python 水平的人有很大帮助。*恭喜*
|