Как преобразовать отрицательные значения в логарифмы?

Я хотел бы знать, как преобразовать отрицательные значения в Log(), так как у меня есть гетероскедастические данные. Я прочитал, что это работает с формулой, Log(x+1)но это не работает с моей базой данных, и я продолжаю получать NaN в результате. Например, я получаю это предупреждение (я не поместил свою полную базу данных, потому что я думаю, что одного из моих отрицательных значений достаточно, чтобы показать пример):

> log(-1.27+1)
[1] NaN
Warning message:
In log(-1.27 + 1) : NaNs produced
> 

заранее спасибо

ОБНОВИТЬ:

Вот гистограмма моих данных. Я работаю с палеонтологическими временными рядами химических измерений, например, разница между такими переменными, как Ca и Zn, слишком велика, а затем мне нужен какой-то тип стандартизации данных, поэтому я тестирую log()функцию.

Это мои необработанные данные

Поскольку логарифм определен только для положительных чисел, вы не можете взять логарифм отрицательных значений. Однако, если вы стремитесь получить более качественное распространение своих данных, вы можете применить следующее преобразование.

Предположим, вы отклонили отрицательные данные:

x <- rlnorm(n = 1e2, meanlog = 0, sdlog = 1)
x <- x - 5
plot(density(x))

затем вы можете применить первое преобразование, чтобы ваши данные лежали в :$(-1,1)$

z <- (x - min(x)) / (max(x) - min(x)) * 2 - 1
z <- z[-min(z)]
z <- z[-max(z)]
min(z); max(z)

и, наконец, применим обратную гиперболическую касательную:

t <- atanh(z)
plot(density(t))

Теперь ваши данные выглядят примерно нормально распределенными. Это также называется преобразованием Фишера.

Чтобы преобразовать его в логарифмическую шкалу, сначала найдите логарифм с положительным числом, а затем умножьте его на знак, следующий код должен это сделать.

transform_to_log_scale <- function(x){
    if(x==0){
        y <- 1
    } else {
        y <- (sign(x)) * (log(abs(x)))
    }
        y 
    }

Используя приведенный выше пример, мы можем построить следующее перекошенное распределение

x <- rlnorm(n = 1e2, meanlog = 0, sdlog = 1)
x <- x - 5
plot(density(x))

После использования функции преобразования следующим образом, мы получаем распределение, которое выглядит более «нормальным»

plot(density(sapply(x,FUN=transform_logs_scale)))