【NumPy入門 np.log】np.arrayの対数を計算する関数4つを紹介

2024年3月1日

フクロウ

こんにちは！インストラクターのフクロウです。

中学高校で習った対数、皆さん覚えているでしょうか。行列計算を得意とするNumPyにも、もちろん対数関数の実装があります。この記事では、NumPyに実装された4つの対数関数について紹介していきますよ！

実は機械学習の実装において無くてはならない機能である対数、NumPyの勉強と一緒に思い出してみませんか？

logの使い方

※この記事のコードは、jupyter notebookやjuputer labを使って書かれています。
コードを試すときは是非これらを使ってみてください。

まずはライブラリをimportしましょう。

# コード In [1]:
import numpy as np
import matplotlib.pyplot as plt

さて、numpyには対数に関する関数が4つあります。

np.log(a)
- 底をeとするaの対数
np.log2(a)
- 底を2とするaの対数
np.log10(a)
- 底を10とするaの対数
np.log1p(a)
- 底をeとするa+1の対数

それぞれを数式っぽく書いてみると下のようになります。

基本的には対数の底が変わったものが収められていますね。

NumPyを使ってこれらの対数関数を試してみましょう。まずはサンプル配列を用意します。

# コード In [2]:
a = np.linspace(1,100,1000)

この配列に対して、先程紹介した4つの対数関数を使ってみます。

# コード In [3]:
log_a = np.log(a)
log2_a = np.log2(a)
log10_a = np.log10(a)
log1p_a = np.log1p(a)

np.log系の関数は、他のNumPyの一般的な関数と同様に、配列の要素全てに対して作用します。中身とそのグラフを見てみましょう。

# コード In [4]:
print("original")
print(a[:10])
print("n log")
print(log_a[:10])
print("n log2")
print(log2_a[:10])
print("n log10")
print(log10_a[:10])
print("n log1p")
print(log1p_a[:10])

# 出力結果 [4]:
original
[1.         1.0990991  1.1981982  1.2972973  1.3963964  1.4954955
 1.59459459 1.69369369 1.79279279 1.89189189]

 log
[0.         0.09449084 0.18081893 0.2602831  0.33389492 0.40245759
 0.46661953 0.52691176 0.58377462 0.63757733]

 log2
[0.         0.13632147 0.26086657 0.37550914 0.48170854 0.58062356
 0.67318968 0.76017299 0.84220875 0.91982965]

 log10
[0.         0.04103685 0.07852866 0.11303951 0.14500872 0.17478511
 0.20265029 0.22883487 0.2535301  0.27689632]

 log1p
[0.69314718 0.74150825 0.78763802 0.83173334 0.87396611 0.9144873
 0.95343028 0.99091337 1.0270421  1.06191092]

# コード In [5]:
fig = plt.figure(figsize=(10,10))

plt.plot(log_a, label="log_e")
plt.plot(log2_a, label="log_2")
plt.plot(log10_a, label="log_10")
plt.plot(log1p_a, label="log_1p")
plt.legend()

# 出力結果 Out [5]:

底の違いによって結構値が変わることがわかりますね。それに対して、logとlog1pの差はかなり小さいようです。

0以下の値と対数の関係

さて、NumPyの対数関数実装に限らず、対数は0以下の計算ができません。0の値を入れると-inf, マイナスの値を入れると計算できないのでNaNになってしまいます。

# コード In [6]:
np.log(np.linspace(-10,0,10))

# 出力結果 [6]:
/root/anaconda3/lib/python3.6/site-packages/ipykernel_launcher.py:1: RuntimeWarning: divide by zero encountered in log
  """Entry point for launching an IPython kernel.
/root/anaconda3/lib/python3.6/site-packages/ipykernel_launcher.py:1: RuntimeWarning: invalid value encountered in log
  """Entry point for launching an IPython kernel.

array([ nan,  nan,  nan,  nan,  nan,  nan,  nan,  nan,  nan, -inf])

これに対して、log1pを使えば0でも計算できます。※log(0+1)となるので。

# コード In [7]:
np.log1p(0)

# 出力結果 Out [7]:
0.0

# コード In [8]:
np.log1p(-1)

# 出力結果 [8]:
/root/anaconda3/lib/python3.6/site-packages/ipykernel_launcher.py:1: RuntimeWarning: divide by zero encountered in log1p
  """Entry point for launching an IPython kernel.

-inf

0を含んだ正の数を扱う場面は多いので、log1pの使い所は以外にありそうですね。

また、冒頭でも書きましたが、機械学習では対数を使う場合が多いです。例えば確率を扱う場合、確率の値は浮動小数点数になります。

そのまま確率同士を掛け算すると、アンダーフローがおこって計算がうまくできない場合があります。そんな時、対数に直してから足し算をすれば、アンダーフローの危険性を小さくする事ができます！（値のスケール感をもとに戻したい場合は、計算結果をexp関数に入れてあげればいいですね。）

また、比較したい全ての値を対数にしても、大小関係は変わらないので、上記以外の様々な場所で対数は大活躍します。