np.log() 默认是自然对数（底数为e），非常用对数；需用np.log10()或np.log2()分别处理以10或2为底的场景，且输入必须为正数，否则返回nan或-inf。
np.log() 默认是自然对数，不是以10为底
很多人一看到 np.log() 就默认它等于计算器上的 “log”（即 log₁₀），结果算出来数值对不上。其实 NumPy 严格遵循数学惯例：np.log() 就是 ln(x)，底数是 e；np.log10() 才是常用对数，np.log2() 是二进制对数。
常见错误现象：
– 输入 np.log(100) 得到约 4.605，而不是 2
– 想做图像横轴取对数刻度，误用 np.log() 导致坐标标错
- 如果明确要常用对数（比如 pH、分贝、地震震级），直接用
np.log10() - 如果做信息论或位运算相关计算（如熵、ID3 决策树），优先用
np.log2()，语义清晰且避免浮点误差放大 -
np.log()在梯度计算、概率模型（如 softmax、log-likelihood）中更自然，因为导数简洁：d/dx ln(x) = 1/x
对负数或零调用 np.log() 会返回 nan 或 inf
np.log() 及其变体只对正实数有定义。传入 ≤ 0 的值不会报错，而是静默返回 nan（负数）或 -inf（零），后续计算极易被污染。
使用场景举例：
– 数据归一化后做对数变换（如 TF-IDF 向量）
– 绘图前对 y 值取对数，但原始数据含 0
- 先过滤或替换非正数：
x_safe = np.where(x > 0, x, np.nan)，再调用np.log(x_safe) - 加极小偏移虽快但危险：
np.log(x + 1e-12)可能掩盖真实零值问题，尤其在科学计算中不推荐 - 用
np.errstate(invalid='raise')主动捕获nan，适合调试阶段
换底公式没必要手写，np.log(x) / np.log(base) 足够可靠
有人担心 np.log10() 和 np.log(1000) / np.log(10) 结果不同，其实 NumPy 已优化过所有内置对数函数，精度和性能都优于手动换底。只有 base 非常规（比如 log₃ 或 log₁₀₀₀）才需除法。
参数差异注意点：
– np.log(x) / np.log(3) 和 np.emath.logn(3, x) 行为不同：后者支持复数输入，前者遇到负数直接出 nan
– 所有基于除法的换底都继承被除数的精度误差，base 越接近 1，相对误差越明显
- base 是整数且常见（2/10/e），无条件用
np.log2()、np.log10()、np.log() - base 是变量（如用户输入的底数），用
np.log(x) / np.log(base)即可，不必引入np.emath - 避免写
np.log(x) * np.log(np.e) / np.log(base)—— 多余，np.log(np.e)就是 1.0
log 输出 dtype 取决于输入，但复数输入需显式启用
默认情况下，np.log() 对 float32/float64 输入返回同类型；但如果输入含负数，普通调用仍返回 real dtype + nan，而非自动转复数。
性能影响：
– np.complex64 输入比 float64 慢约 1.5×，内存占用翻倍
– 大多数机器学习 pipeline 不期望复数，意外触发会导致下游断言失败
- 需要复数结果（如信号处理中的相位谱），先转类型：
np.log(x.astype(complex)) - 不确定输入符号，又想安全得到复数结果，用
np.emath.log(x)（注意不是np.math） -
np.emath.log()对正实数行为与np.log()一致，无需额外判断分支
实际用的时候，最常被忽略的是：log 前没检查数据是否全为正，以及把 np.log() 当成 log₁₀ 用却没改业务逻辑。这两个点一旦出错，结果偏差不是小数点后几位的问题，而是数量级错乱。
