求把log转化为lg的详细方法

log（a）b其中a为底数，b为真数

log（a）b=lg（b）/lg（a）

实际上换底公式不一定换成lg，也可以换成别的比如：

log（a）b=log（2）b/log（2）a

意思就是分子分母底数随便取，但是相同；分子上的真数为原来的真数，分母的真数为原来的底数。

扩展资料

应用

对数在数学内外有许多应用，这些事件中的一些与尺度不变性的概念有关。例如： *** 的壳的每个室是下一个的大致副本，由常数因子缩放。这引起了对数螺旋。Benford关于领先数字分配的定律也可以通过尺度不变性来解释。

对数也与自相似性相关。例如，对数算法出现在算法分析中，通过将算法分解为两个类似的较小问题并修补其解决方案来解决问题。自相似几何形状的尺寸，即其部分类似于整体图像的形状也基于对数。对数刻度对于量化与其绝对差异相反的值的相对变化是有用的。

此外，由于对数函数log（x）对于大的x而言增长非常缓慢，所以使用对数标度来压缩大规模科学数据。对数也出现在许多科学公式中，例如Tsiolkovsky火箭方程，Fenske方程或能斯特方程。

在数据分析之前，我们通常需要先将数据标准化（normalization），利用标准化后的数据进行数据分析。数据标准化也就是统计数据的指数化。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。数据标准化的方法有很多种，常用的有“最小—最大标准化”、“Z-score标准化”和“按小数定标标准化”等。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，可以进行综合测评分析。
一、Min-max 标准化
min-max标准化方法是对原始数据进行线性变换。设minA和maxA分别为属性A的最小值和最大值，将A的一个原始值x通过min-max标准化映射成在区间[0,1]中的值x'，其公式为：
新数据=（原数据-极小值）/（极大值-极小值）
二、z-score 标准化
这种方法基于原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。将A的原始值x使用z-score标准化到x'。
z-score标准化方法适用于属性A的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况。
新数据=（原数据-均值）/标准差
spss默认的标准化方法就是z-score标准化。
用Excel进行z-score标准化的方法：在Excel中没有现成的函数，需要自己分步计算，其实标准化的公式很简单。步骤如下：1求出各变量（指标）的算术平均值（数学期望）xi和标准差si ；2进行标准化处理：zij=（xij－xi）/si其中：zij为标准化后的变量值；xij为实际变量值。3将逆指标前的正负号对调。标准化后的变量值围绕0上下波动，大于0说明高于平均水平，小于0说明低于平均水平。
三、Decimal scaling小数定标标准化
这种方法通过移动数据的小数点位置来进行标准化。小数点移动多少位取决于属性A的取值中的最大绝对值。将属性A的原始值x使用decimal scaling标准化到x'的计算方法是：
x'=x/(10^j)
其中，j是满足条件的最小整数。
例如 假定A的值由-986到917，A的最大绝对值为986，为使用小数定标标准化，我们用1000（即，j=3）除以每个值，这样，-986被规范化为-0986。
注意，标准化会对原始数据做出改变，因此需要保存所使用的标准化方法的参数，以便对后续的数据进行统一的标准化。
除了上面提到的数据标准化外还有对数Logistic模式、模糊量化模式等等：
对数Logistic模式：新数据=1/（1+e^(-原数据)）
模糊量化模式：新数据=1/2+1/2sin[派31415/（极大值-极小值）（X-（极大值-极小值）/2） ] X为原数据

换底公式阿：
log(a)b其中a为底数，b为真数
log(a)b=lg(b)/lg(a)
实际上换底公式不一定换成lg，也可以换成别的比如：
log(a)b=log(2)b/log(2)a
意思就是分子分母底数随便取，但是相同；分子上的真数为原来的真数，分母的真数为原来的底数。

---