np.log默认计算自然对数（以e为底），非常用对数；需用np.log10或np.log2实现以10或2为底的对数；输入含零或负数会返回nan并警告；log变换可压缩数值范围但float32下易精度损失；逆变换须匹配底数及偏移量。
log 函数默认计算自然对数，不是以 10 为底
很多人一上来就写 np.log(arr)，发现结果和计算器里 log10 不一致，以为函数出错了。其实 np.log 对应的是数学上的 ln（即以 e 为底），这是 NumPy 的设计约定，和 Python 标准库的 math.log 一致。
如果你要的是常用对数（以 10 为底）或二进制对数（以 2 为底），得明确调用：
-
np.log10(arr)：十进制对数，适合做数量级分析、分贝换算等 -
np.log2(arr)：二进制对数，常见于信息熵、树深度估算 -
np.log(arr) / np.log(10)理论上可行，但没必要，还慢，直接用np.log10
输入含零或负数时会触发 invalid value 警告并返回 nan
对数在实数域只对正数有定义。一旦数组里有 0 或负值，np.log 类函数会返回 nan，并抛出 RuntimeWarning: invalid value encountered in log。这不是报错，程序继续跑，但后续计算可能被污染。
常见应对方式：
立即学习“Python免费学习笔记（深入）”；
- 提前过滤：
arr = arr[arr > 0]（适合纯分析场景，不关心原始索引） - 加小偏移：
np.log(arr + 1e-12)（适合图像、频谱等非负数据，避免除零，但注意偏移量不能大到扭曲量级） - 掩码处理：
result = np.full_like(arr, np.nan, dtype=float); mask = arr > 0; result[mask] = np.log(arr[mask])（保留原形状和位置信息）
log 变换后数值范围压缩明显，但要注意 float32 下精度损失
对数变换本质是把指数增长压成线性增长，比如 [1, 10, 100, 1000] → [0, 2.3, 4.6, 6.9]。这对可视化长尾分布、缓解模型对大值敏感很有用。
但要注意：
- 如果原始数组是
float32，np.log输出仍是float32，小数值（如 1e-8）取对数后变成 -18.4，可能因精度不足变成 -inf - 建议显式转成
float64再算：np.log(arr.astype(np.float64)) - 整数类型（如
int64）会被自动转为float64，不用额外处理
log 缩放常用于预处理，但别忘了逆变换还原
做归一化或特征缩放时，有人直接 np.log(x) 后喂给模型，却忘了预测完怎么把结果变回去。log 的逆运算是 exp，但必须对应底数：
-
np.log→ 用np.exp还原 -
np.log10→ 用10 ** x或np.power(10, x)还原 -
np.log2→ 用2 ** x或np.power(2, x)还原
最容易漏的是：加了偏移的，比如用了 np.log(x + 1)，还原时得先 np.exp(y) - 1，少减这个 1，结果就全偏了。
