本文中python 操作矩阵和向量用 Numpy 工具包,因此首先要导入 numpy;Matlab正常启动即可,矩阵和向量操作是其内置的核心工具。
import numpy as np
MATLAB |
PYTHON |
|
行向量: size(1,n) |
A = [1 2 3] |
A = np.array([1,2,3]).reshape(1,3) |
列向量: size(n,1) |
A = [1;2;3] |
A = np.array([1,2,3]).reshape(3,1) |
1维数组: size(n,) |
不能像size(n,) 这样做 |
A = np.array([1,2,3) |
从j到n,步长为k的整数赋值 |
A = j:k:n |
A = np.arange(j,n+1,k) |
k个点的线性插值向量 |
A = linspace(1,5,k) |
A = np.linspace(1,5,k) |
创建矩阵
MATLAB |
PYTHON |
|
一般矩阵 |
A = [1 2;3 4] |
A = np.array([[1,2],[3,4]]) |
2*2 的 0 矩阵 |
A = zeros(2,2) |
A = np.zeros((2,2)) |
2*2 的 1 矩阵 |
A = ones(2,2) |
A = np.ones((2,2)) |
2*2 的单位矩阵 |
A = eyes(2,3) |
A = np.eys(2) |
对角矩阵 |
A = diag([1 2 3]) |
A = np.diag([1,2,3]) |
均匀随机数矩阵 |
A = rand(2,2) |
A = np.random.rand(2,2) |
正态随机数矩阵 |
A = randn(2,2) |
A = np.random.randn(2,2) |
创建稀疏矩阵 |
A = sparse(2,2) A(1,2) = 4 A(2,2) = 1 |
from scipy.sparse import coo_matrix A = coo_matrix(([4,1],([0,1],[1,1])), shape=(2,2)) |
创建三角矩阵 |
A = [1 2 3 NaN; 4 5 6 7; NaN 8 9 0] spdiags(A’,[-1 0 1], 4, 4) |
import sp.sparse as sp diagonals = [[4, 5, 6, 7], [1, 2, 3], [8, 9, 10]] sp.diags(diagonals, [0, -1, 2]).toarray() |
向量与矩阵的操作
MATLAB |
PYTHON |
|
矩阵装置 |
A.’ |
A.T |
复共轭矩阵装置 |
A‘ |
A.conj() |
两个矩阵横向拼接,即行连接 |
A = [[1 2] [1 2]] 或者 A = horzcat([1 2], [1 2]) |
B = np.array([1, 2]) A = np.hstack((B, B)) |
两个矩阵纵向拼接,即列连接 |
A = [[1 2]; [1 2]] 或者 A = vertcat([1 2], [1 2]) |
B = np.array([1, 2]) A = np.vstack((B, B)) |
矩阵行列重构 |
10个元素组成的一维矩阵转换为5行2列, A = reshape(1:10, 5, 2) |
A = A.reshape(5, 2) |
矩阵转换为向量 |
A(:) |
A = A.flatten() |
矩阵左右翻转 |
fliplr(A) |
np.fliplr(A) |
矩阵上下翻转 |
flipud(A) |
np.flipdu(A) |
重复矩阵(行重复3次,列重复4次) |
repmat(A, 3, 4) |
np.tile(A, (4, 3)) |
给向量或矩阵预先分配内存 |
x = rand(10) y = zeros(size(x, 1), size(x, 2)) (可以是N/A这样的数据类型) |
x = np.random.rand(3, 3) y = np.empty_like(x) # new dims y = np.empty((2, 3)) |
作用于数据集/矩阵/向量的函数 |
f = @(x) x.^2 g = @(x, y) x + 2 + y.^2 x = 1:10 y = 2:11 f(x) g(x, y) |
def f(x): return x**2 def g(x, y): return x + 2 + y**2 x = np.arange(1, 10, 1) y = np.arange(2, 11, 1) f(x) g(x, y) |
访问向量或矩阵的元素
MATLAB |
PYTHON |
|
访问某个元素 |
A(2,2) |
A[1,1] |
访问指定的行 |
A(1:4,:) |
A[0:4,:] |
访问指定的列 |
A(:,1:4) |
A[:,0:4] |
删除行 |
A([1 2 4],:) |
A[[0,1,3],:] |
矩阵的对角线 |
diag(A) |
np.diag(A) |
获得矩阵的维数 |
[nrow ncol] = size(A) |
nrow, ncol = np.shape(A) |
矩阵的数学运算
MATLAB |
PYTHON |
|
求点积 |
dot(A,B) |
np.dot(A,B) 或者 A @ B |
矩阵的乘法 |
A * B |
A @ B |
占位矩阵的乘法, (即其中一个矩阵是空的) |
无 |
x = np.array([1, 2]).reshape(2, 1) A = np.array(([1, 2], [3, 4])) y = np.empty_like(x) np.matmul(A, x, y) |
元素的智能乘法 (elementwise multiplication) |
A.*B |
A * B |
矩阵的幂运算 |
A^2 |
np.linalg.matrix_power(A, 2) |
矩阵元素的幂运算 |
A.^2 |
A ** 2 |
求逆矩阵 |
inv(A) 或者 A^(-1) |
np.linalg.inv(A) |
矩阵的决定值 |
det(A) |
np.linalg.det(A) |
矩阵的特征值和特征向量 |
[vec, val] = eig(A) |
val, vec = np.linalg.eig(A) |
欧几里德范数 |
norm(A) |
np.linalg.norm(A) |
线性方程求解 |
(Ax = b,其中A为n*n矩阵) A\b |
(Ax = b,其中A为n*n矩阵) np.linalg.solve(A, b) |
最小二乘法求解 |
(Ax = b,其中A为m*n矩阵) A\b |
(Ax = b,其中A为m*n矩阵) np.linalg.lstsq(A, b) |
求和、最大值和最小值
MATLAB |
PYTHON |
|
求每一列的sum/max/min |
sum(A, 1) max(A, [], 1) min(A, [], 1) |
sum(A, 0) np.amax(A, 0) np.amin(A, 0) |
求每一行的sum/max/min |
sum(A, 2) max(A, [], 2) min(A, [], 2) |
sum(A, 1) np.amax(A, 1) np.amin(A, 1) |
整个矩阵的sum/max/min |
sum(A(:)) max(A(:)) min(A(:)) |
np.sum(A) np.amax(A) np.amin(A) |
每一行的sum/max/min的累计值 |
cumsum(A, 1) cummax(A, 1) cummin(A, 1) |
np.cumsum(A, 0) np.maximum.accumulate(A, 0) np.minimum.accumulate(A, 0) |
每一列的sum/max/min的累计值 |
cumsum(A, 2) cummax(A, 2) cummin(A, 2) |
np.cumsum(A, 1) np.maximum.accumulate(A, 1) np.minimum.accumulate(A, 1) |
编程语法
MATLAB |
PYTHON |
|
注释行 |
% This is a comment |
# This is a comment |
注释块 |
%{ Comment block %} |
# Block # comment # following PEP8 |
For 循环 |
for i = 1:N % 做什么 end |
for i in range(n): # 做什么 |
while 循环 |
while i <= N % 做什么 end |
while i <= N: # 做什么 |
if |
if i <= N % 做什么 end |
if i <= N: #做什么 |
if / else |
if i <= N % 做A件事 else % 做其他事 end |
if i <= N: % 做A件事 else % 做其他事 end |
打印文本和变量 |
x = 10 fprintf(‘x = %d \n’, x) |
x = 10 print(f’x = {x}’) |
匿名函数 |
f = @(x) x^2 |
f = lambda x: x**2 |
函数 |
function out = f(x) out = x^2 end |
def f(x): return x**2 |
元组 |
t = {1 2.0 “test”} t{1} |
t = (1, 2.0, “test”) t[0] |
命名元组/匿名结构 |
m.x = 1 m.y = 2 m.x |
from collections import namedtuple mdef = namedtuple(‘m’, ‘x y’) m = mdef(1, 2) m.x |
函数调用 |
a = 2.0 f = @(x) a + x f(1.0) |
a = 2.0 def f(x): return a + x f(1.0) |
函数占位修改 |
无 |
def f(x): x **=2 return x = np.random.rand(10) f(x) |

发布者:股市刺客,转载请注明出处:https://www.95sca.cn/archives/76338
站内所有文章皆来自网络转载或读者投稿,请勿用于商业用途。如有侵权、不妥之处,请联系站长并出示版权证明以便删除。敬请谅解!