机器学习算法中，一些算法要求数据符合正态分布，但是对于一些标签和特征来说，分布不一定符合正态分布，

我们可以用np.log1p(x)，即取对数，这样可以使得数据在一定程度上符合正态分布的特征。（正态分布（Normal distribution)，也称高斯分布（Gaussian distribution）

数据平滑处理 -- log1p( ) 和 exmp1( )

1.  数据预处理时首先可以对偏度比较大的数据用og1p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好的结果。

2. 平滑问题很容易处理掉，导致模型的结果达不到一定的标准，log1p( )能够避免复值得问题 — 复值指一个自变量对应多个因变量

log1p( ) 的使用就像是一个数据压缩到了一个区间，与数据的标准类似。其逆运算就是expm1的函数

由于使用的log1p（）对数据进行了压缩，最后需要将预测出的平滑数据进行一个还原，而还原过程就是log1p的逆运算expm1.

log1p = log（x+1）

当x较大时直接计算，当x较小时用泰勒展开式计算。

#le是2.718281828459
np.log1p(1e-99)
#1e-99

np.log(1 + 1e-99)
#0.0

结论：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 两个数值相减后得到），由于太小超过数值有效性，用计算得到结果为0，换作log1p则计算得到一个很小却不为0的结果，

同样的道理对于expm1，当x特别小，就会急剧下降出现如上问题，甚至出现错误值。

未经过np.log1p()处理的，经过数据后，符合正态分布图像展示：