版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/u012735708/article/details/84067992
log1p将一个数据压缩到了一个区间，与数据的标准化类似。
log1p函数有它存在的意义，即保证了x数据的有效性，当x很小时（如某个数值为1e-99），由于太小超过数值有效性，用log计算得到结果为0，换作log1p则计算得到一个很小却不为0的结果。下图是numpy.log1p说明文档中给出的一个例子。
log1p的优点：
在数据预处理时首先可以对偏度比较大的数据用log1p函数进行转化，使其更加服从高斯分布，此步处理可能会使我们后续的分类结果得到一个更好的结果；
平滑处理很容易被忽略掉，导致模型的结果总是达不到一定的标准，同样使用逼格更高的log1p能避免复值得问题——复值指一个自变量对应多个因变量；
expm1函数是log1p的逆运算，即np.expm1(np.log1p(50))的结果为50.0。