Hướng dẫn how to convert log value to normal in python - làm thế nào để chuyển đổi giá trị nhật ký thành bình thường trong python

Tôi đang sử dụng fbprophet và chúng ta nên che dữ liệu để ghi lại các giá trị vào orer để bình thường hóa dữ liệu như thế này: ____ 13 nhưng một khi tôi đã dự đoán các giá trị, thì tôi sẽ nhận được một khung dữ liệu như thế này:

      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263

Ở đây, yhat là các giá trị dự đoán của tôi nhưng chúng là giá trị nhật ký và n_tickets là giá trị thực tế của tôi. Vì vậy, tôi cần chuyển đổi YHAT trở lại số bình thường để so sánh. Tôi đang cố gắng tìm hiểu nhưng bị bối rối.

Đã hỏi ngày 10 tháng 3 năm 2018 lúc 12:59Mar 10, 2018 at 12:59

1

Theo dõi câu trả lời do Lambda cung cấp, giải pháp đầy đủ là:

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

Đã trả lời ngày 22 tháng 6 năm 2018 lúc 3:25Jun 22, 2018 at 3:25

Python cung cấp nhiều hàm logarit inbuild trong mô -đun Math Math, cho phép chúng tôi tính toán nhật ký bằng một dòng. Có 4 biến thể của các hàm logarit, tất cả đều được thảo luận trong bài viết này.1. log (a, (cơ sở)): hàm này được sử dụng để tính toán logarit tự nhiên (cơ sở e) của a. Nếu 2 đối số được truyền, nó sẽ tính toán logarit của cơ sở mong muốn của đối số A, giá trị số của log (a)/log (cơ sở). & Nbsp;math” which allows us to compute logs using a single line. There are 4 variants of logarithmic functions, all of which are discussed in this article.
1. log(a,(Base)) : This function is used to compute the natural logarithm (Base e) of a. If 2 arguments are passed, it computes the logarithm of the desired base of argument a, numerically value of log(a)/log(Base).
 

Syntax :
math.log(a,Base)
Parameters : 
a : The numeric value
Base :  Base to which the logarithm has to be computed.
Return Value : 
Returns natural log if 1 argument is passed and log with
specified base if 2 arguments are passed.
Exceptions : 
Raises ValueError if a negative no. is passed as argument.

Python3

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

Syntax :
math.log(a,Base)
Parameters : 
a : The numeric value
Base :  Base to which the logarithm has to be computed.
Return Value : 
Returns natural log if 1 argument is passed and log with
specified base if 2 arguments are passed.
Exceptions : 
Raises ValueError if a negative no. is passed as argument.

Syntax :
math.log(a,Base)
Parameters : 
a : The numeric value
Base :  Base to which the logarithm has to be computed.
Return Value : 
Returns natural log if 1 argument is passed and log with
specified base if 2 arguments are passed.
Exceptions : 
Raises ValueError if a negative no. is passed as argument.

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

Syntax :
math.log(a,Base)
Parameters : 
a : The numeric value
Base :  Base to which the logarithm has to be computed.
Return Value : 
Returns natural log if 1 argument is passed and log with
specified base if 2 arguments are passed.
Exceptions : 
Raises ValueError if a negative no. is passed as argument.

Syntax :
math.log(a,Base)
Parameters : 
a : The numeric value
Base :  Base to which the logarithm has to be computed.
Return Value : 
Returns natural log if 1 argument is passed and log with
specified base if 2 arguments are passed.
Exceptions : 
Raises ValueError if a negative no. is passed as argument.

Syntax :
math.log(a,Base)
Parameters : 
a : The numeric value
Base :  Base to which the logarithm has to be computed.
Return Value : 
Returns natural log if 1 argument is passed and log with
specified base if 2 arguments are passed.
Exceptions : 
Raises ValueError if a negative no. is passed as argument.

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

Syntax :
math.log(a,Base)
Parameters : 
a : The numeric value
Base :  Base to which the logarithm has to be computed.
Return Value : 
Returns natural log if 1 argument is passed and log with
specified base if 2 arguments are passed.
Exceptions : 
Raises ValueError if a negative no. is passed as argument.

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

Syntax :
math.log(a,Base)
Parameters : 
a : The numeric value
Base :  Base to which the logarithm has to be computed.
Return Value : 
Returns natural log if 1 argument is passed and log with
specified base if 2 arguments are passed.
Exceptions : 
Raises ValueError if a negative no. is passed as argument.

Syntax :
math.log(a,Base)
Parameters : 
a : The numeric value
Base :  Base to which the logarithm has to be computed.
Return Value : 
Returns natural log if 1 argument is passed and log with
specified base if 2 arguments are passed.
Exceptions : 
Raises ValueError if a negative no. is passed as argument.

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

Syntax :
math.log(a,Base)
Parameters : 
a : The numeric value
Base :  Base to which the logarithm has to be computed.
Return Value : 
Returns natural log if 1 argument is passed and log with
specified base if 2 arguments are passed.
Exceptions : 
Raises ValueError if a negative no. is passed as argument.

Syntax :
math.log(a,Base)
Parameters : 
a : The numeric value
Base :  Base to which the logarithm has to be computed.
Return Value : 
Returns natural log if 1 argument is passed and log with
specified base if 2 arguments are passed.
Exceptions : 
Raises ValueError if a negative no. is passed as argument.

Natural logarithm of 14 is : 2.6390573296152584
Logarithm base 5 of 14 is : 1.6397385131955606

Natural logarithm of 14 is : 2.6390573296152584
Logarithm base 5 of 14 is : 1.6397385131955606

Syntax :
math.log(a,Base)
Parameters : 
a : The numeric value
Base :  Base to which the logarithm has to be computed.
Return Value : 
Returns natural log if 1 argument is passed and log with
specified base if 2 arguments are passed.
Exceptions : 
Raises ValueError if a negative no. is passed as argument.

Đầu ra: & nbsp;

Natural logarithm of 14 is : 2.6390573296152584
Logarithm base 5 of 14 is : 1.6397385131955606

Bài viết này được đóng góp bởi Manjeet Singh. Nếu bạn thích GeekSforGeeks và muốn đóng góp, bạn cũng có thể viết một bài viết bằng Write.GeekSforGeek.org hoặc gửi bài viết của bạn. Xem bài viết của bạn xuất hiện trên trang chính của GeekSforGeek và giúp các chuyên viên máy tính khác. Xin vui lòng viết nhận xét nếu bạn tìm thấy bất cứ điều gì không chính xác hoặc bạn muốn chia sẻ thêm thông tin về chủ đề được thảo luận ở trên. This function is used to compute the logarithm base 2 of a. Displays more accurate result than log(a,2).

Syntax :
math.log2(a)
Parameters : 
a : The numeric value
Return Value : 
Returns logarithm base 2 of a
Exceptions : 
Raises ValueError if a negative no. is passed as argument.

Python3

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

Làm thế nào để bạn chuyển đổi giá trị nhật ký thành giá trị bình thường?

Bạn có thể chuyển đổi các giá trị nhật ký thành các giá trị bình thường bằng cách nâng 10 thành nguồn cho các giá trị nhật ký (bạn muốn chuyển đổi). Chẳng hạn, nếu bạn có 0,30103 là giá trị nhật ký và muốn nhận giá trị bình thường, bạn sẽ có: "10^0.30103" và kết quả sẽ là giá trị bình thường.

Đầu ra: & nbsp;

Logarithm base 2 of 14 is : 3.807354922057604

Bài viết này được đóng góp bởi Manjeet Singh. Nếu bạn thích GeekSforGeeks và muốn đóng góp, bạn cũng có thể viết một bài viết bằng Write.GeekSforGeek.org hoặc gửi bài viết của bạn. Xem bài viết của bạn xuất hiện trên trang chính của GeekSforGeek và giúp các chuyên viên máy tính khác. Xin vui lòng viết nhận xét nếu bạn tìm thấy bất cứ điều gì không chính xác hoặc bạn muốn chia sẻ thêm thông tin về chủ đề được thảo luận ở trên. This function is used to compute the logarithm base 10 of a. Displays more accurate result than log(a,10).

Syntax :
math.log10(a)
Parameters : 
a : The numeric value
Return Value : 
Returns logarithm base 10 of a
Exceptions : 
Raises ValueError if a negative no. is passed as argument.

Python3

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

Làm thế nào để bạn chuyển đổi giá trị nhật ký thành giá trị bình thường?

Bạn có thể chuyển đổi các giá trị nhật ký thành các giá trị bình thường bằng cách nâng 10 thành nguồn cho các giá trị nhật ký (bạn muốn chuyển đổi). Chẳng hạn, nếu bạn có 0,30103 là giá trị nhật ký và muốn nhận giá trị bình thường, bạn sẽ có: "10^0.30103" và kết quả sẽ là giá trị bình thường.

Đầu ra: & nbsp;

Logarithm base 10 of 14 is : 1.146128035678238

Bài viết này được đóng góp bởi Manjeet Singh. Nếu bạn thích GeekSforGeeks và muốn đóng góp, bạn cũng có thể viết một bài viết bằng Write.GeekSforGeek.org hoặc gửi bài viết của bạn. Xem bài viết của bạn xuất hiện trên trang chính của GeekSforGeek và giúp các chuyên viên máy tính khác. Xin vui lòng viết nhận xét nếu bạn tìm thấy bất cứ điều gì không chính xác hoặc bạn muốn chia sẻ thêm thông tin về chủ đề được thảo luận ở trên. This function is used to compute logarithm(1+a) . 

Syntax :
math.log1p(a)
Parameters : 
a : The numeric value
Return Value : 
Returns log(1+a)
Exceptions : 
Raises ValueError if a negative no. is passed as argument.

Python3

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

Làm thế nào để bạn chuyển đổi giá trị nhật ký thành giá trị bình thường?

Bạn có thể chuyển đổi các giá trị nhật ký thành các giá trị bình thường bằng cách nâng 10 thành nguồn cho các giá trị nhật ký (bạn muốn chuyển đổi). Chẳng hạn, nếu bạn có 0,30103 là giá trị nhật ký và muốn nhận giá trị bình thường, bạn sẽ có: "10^0.30103" và kết quả sẽ là giá trị bình thường.

Đầu ra: & nbsp;

Logarithm(1+a) value of 14 is : 2.70805020110221

Bài viết này được đóng góp bởi Manjeet Singh. Nếu bạn thích GeekSforGeeks và muốn đóng góp, bạn cũng có thể viết một bài viết bằng Write.GeekSforGeek.org hoặc gửi bài viết của bạn. Xem bài viết của bạn xuất hiện trên trang chính của GeekSforGeek và giúp các chuyên viên máy tính khác. Xin vui lòng viết nhận xét nếu bạn tìm thấy bất cứ điều gì không chính xác hoặc bạn muốn chia sẻ thêm thông tin về chủ đề được thảo luận ở trên.

Làm thế nào để bạn chuyển đổi giá trị nhật ký thành giá trị bình thường? This function returns value error if number is negative. 

Python3

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

Bạn có thể chuyển đổi các giá trị nhật ký thành các giá trị bình thường bằng cách nâng 10 thành nguồn cho các giá trị nhật ký (bạn muốn chuyển đổi). Chẳng hạn, nếu bạn có 0,30103 là giá trị nhật ký và muốn nhận giá trị bình thường, bạn sẽ có: "10^0.30103" và kết quả sẽ là giá trị bình thường.

Làm thế nào để bạn quay lại một bản ghi?

Đầu ra: & nbsp;

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

Bài viết này được đóng góp bởi Manjeet Singh. Nếu bạn thích GeekSforGeeks và muốn đóng góp, bạn cũng có thể viết một bài viết bằng Write.GeekSforGeek.org hoặc gửi bài viết của bạn. Xem bài viết của bạn xuất hiện trên trang chính của GeekSforGeek và giúp các chuyên viên máy tính khác. Xin vui lòng viết nhận xét nếu bạn tìm thấy bất cứ điều gì không chính xác hoặc bạn muốn chia sẻ thêm thông tin về chủ đề được thảo luận ở trên.

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

Làm thế nào để bạn chuyển đổi giá trị nhật ký thành giá trị bình thường?

Bạn có thể chuyển đổi các giá trị nhật ký thành các giá trị bình thường bằng cách nâng 10 thành nguồn cho các giá trị nhật ký (bạn muốn chuyển đổi). Chẳng hạn, nếu bạn có 0,30103 là giá trị nhật ký và muốn nhận giá trị bình thường, bạn sẽ có: "10^0.30103" và kết quả sẽ là giá trị bình thường.no. of digits of a number. Code below illustrates the same.

Python3

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

Logarithm(1+a) value of 14 is : 2.70805020110221

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

Syntax :
math.log(a,Base)
Parameters : 
a : The numeric value
Base :  Base to which the logarithm has to be computed.
Return Value : 
Returns natural log if 1 argument is passed and log with
specified base if 2 arguments are passed.
Exceptions : 
Raises ValueError if a negative no. is passed as argument.

Syntax :
math.log(a,Base)
Parameters : 
a : The numeric value
Base :  Base to which the logarithm has to be computed.
Return Value : 
Returns natural log if 1 argument is passed and log with
specified base if 2 arguments are passed.
Exceptions : 
Raises ValueError if a negative no. is passed as argument.

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

Logarithm(1+a) value of 14 is : 2.70805020110221

Logarithm base 2 of 14 is : 3.807354922057604

Logarithm(1+a) value of 14 is : 2.70805020110221

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

Đầu ra: & nbsp;

from io import StringIO
import numpy as np
import pandas as pd

s = """
      ds        n_tickets   yhat
0 2018-02-17       2202  7.545468
1 2018-02-18       2449  7.703022
2 2018-02-19       2409  7.705301
3 2018-02-20       2364  7.675143
4 2018-02-21       2306  7.693359
5 2018-02-22       2492  7.728534
6 2018-02-23       2300  7.669022
7 2018-02-24       2359  7.534430
8 2018-02-25       2481  7.691983
9 2018-02-26       2446  7.694263
"""

# Load your example
df = pd.read_csv(StringIO(s), delim_whitespace=True)

# Add the exponential of the yhat column as a new column
df['exp_yhat'] = np.exp(df['yhat'])
print(df.head())

#            ds  n_tickets      yhat     exp_yhat
# 0  2018-02-17       2202  7.545468  1892.148056
# 1  2018-02-18       2449  7.703022  2215.031714
# 2  2018-02-19       2409  7.705301  2220.085527
# 3  2018-02-20       2364  7.675143  2154.131705
# 4  2018-02-21       2306  7.693359  2193.730943

Bài viết này được đóng góp bởi Manjeet Singh. Nếu bạn thích GeekSforGeeks và muốn đóng góp, bạn cũng có thể viết một bài viết bằng Write.GeekSforGeek.org hoặc gửi bài viết của bạn. Xem bài viết của bạn xuất hiện trên trang chính của GeekSforGeek và giúp các chuyên viên máy tính khác. Xin vui lòng viết nhận xét nếu bạn tìm thấy bất cứ điều gì không chính xác hoặc bạn muốn chia sẻ thêm thông tin về chủ đề được thảo luận ở trên.Manjeet Singh. If you like GeeksforGeeks and would like to contribute, you can also write an article using write.geeksforgeeks.org or mail your article to . See your article appearing on the GeeksforGeeks main page and help other Geeks.
Please write comments if you find anything incorrect, or you want to share more information about the topic discussed above.

Làm thế nào để bạn chuyển đổi giá trị nhật ký thành giá trị bình thường?

Làm thế nào để bạn quay lại một bản ghi?

Làm thế nào để bạn đăng nhập biến đổi trong Python?