1. Sigma

Sigma ($ \ Sigma $): Summe mehrerer Zahlen

\sum_{k=1}^n a_k = a_1 + a_2 + \cdots + a_n

\sum_{k} a_k = a_1 + a_2 + \cdots + a_n

import numpy as np

a = np.array([1, 2, 3, 4, 5])
print(np.sum(a))

`Ausführungsergebnis`

2. Anzahl der Napiers

Napier Nummer $ e $

e = 2.71828 18284 59045 23536 02874 71352 …

y=e^x=\exp(x)

Diese Formel hat eine sehr praktische Funktion, die sich nicht ändert, selbst wenn sie differenziert ist.

import numpy as np

def get_exp(x):
    return np.exp(x)
    
print(get_exp(1))

`Ausführungsergebnis`


2.718281828459045

Grafikanzeige

↓ Informationen zur grafischen Darstellung finden Sie in dem Artikel, den ich zuvor geschrieben habe. #Python Basics (#matplotlib)

import numpy as np
import matplotlib.pyplot as plt

def get_exp(x):
    return np.exp(x)

x = np.linspace(-3, 3, num=100)
y = get_exp(x)

#Achsenbeschriftung
plt.xlabel("x val")
plt.ylabel("y val")

#Achse
plt.axhline(0, color = "gray")
plt.axvline(0, color = "gray")

#plt.hlines(y=[0], colors='b', linestyles='dashed', linewidths=1)
#Graphentitel
plt.title("Graph Name")

#Geben Sie die Plotlegende und den Linienstil an
plt.plot(x, y, label="y")
plt.legend() #Legende anzeigen

plt.show()

3. Natürlicher Logarithmus

x = e^y

Wann $ y = \log_{e} x $


import numpy as np

def get_log(x):
    return np.log(x)
    
print(get_log(1))
# 0.0

Grafikanzeige

import numpy as np
import matplotlib.pyplot as plt

def get_log(x):
    return np.log(x)

x = np.linspace(0.001, 3, num=1000)
y = get_log(x)

#Achsenbeschriftung
plt.xlabel("x val")
plt.ylabel("y val")

#Achse
plt.axhline(0, color = "gray")
plt.axvline(0, color = "gray")

#Graphentitel
plt.title("Graph Name")

#Geben Sie die Plotlegende und den Linienstil an
plt.plot(x, y, label="y")
plt.legend() #Legende anzeigen

plt.show()