66 - [ "array" 还是 "matrix"? 我应该选谁?] ( #array-还是-matrix-我应该选谁 )
77 - [ 简要的回答] ( #简要的回答 )
88 - [ 详细的回答] ( #详细的回答 )
9- - [ 使用Matrix的用户的福音] ( #使用matrix的用户的福音 )
109 - [ MATLAB和NumPy粗略的功能对应表] ( #matlab和numpy粗略的功能对应表 )
1110 - [ 一般功能的对应表] ( #一般功能的对应表 )
1211 - [ 线性代数功能对应表] ( #线性代数功能对应表 )
13- - [ 备注 ] ( #备注 )
12+ - [ 注释 ] ( #注释 )
1413 - [ 自定义环境] ( #自定义环境 )
1514 - [ 链接] ( #链接 )
1615
@@ -95,25 +94,11 @@ NumPy包含`array`类和`Matrix`类。`array`类旨在成为用于多种数值
9594
9695因此,使用数组要明智得多。事实上,我们打算最终弃用矩阵类型。
9796
98- ## 使用Matrix的用户的福音
99- 100- NumPy有一些特性,可以方便地使用`` matrix `` 类型,这有望使Matlab的用户转化过来更为容易。
101- 102- - 新增了一个`` matlib `` 模块,该模块包含常用数组构造函数的矩阵版本,如one()、zeros()、empty()、view()、rand()、repmat()等。通常,这些函数返回数组,但matlib版本返回矩阵对象。
103- - `` mat `` 已被更改为`` asmatrix `` 的同义词,而不是矩阵,从而使其成为将数组转换为矩阵而不复制数据的简洁方法。
104- - 一些顶级的函数已被删除。例如,`` numpy.rand() `` 现在需要作为`` numpy.random.rand() `` 访问。或者使用`` matlib `` 模块中的`` rand() `` 。但是"numpythonic"方式是使用`` numpy.random.random() `` ,它为元组数据类型作为shape(形状),就像其他numpy函数一样。
10597
10698## MATLAB和NumPy粗略的功能对应表
10799
108- 下表粗略的反应了一些常见MATLAB表达式的大致对应关系。** 但这些并不完全等同** ,而是作为一种指引,指引读者一个正确的反向。有关更多详细信息,请参阅NumPy函数的内置文档。
109- 110- 在编写以数组或矩阵作为参数的函数时,需要注意一点,就算如果你期望函数返回一个 `` array `` , 传入的参数却是一个 `` matrix `` ,或反之亦然,那么 `` * `` (乘法运算符) 会给你带来意想不到的惊喜。它可以在数组和矩阵之间来回转换。
111- 112- - `` asarray `` : 总是返回一个 `` array `` 类型的对象。
113- - `` asmatrix `` 或 `` mat `` : 总是返回一个 `` matrix `` 类型的对象。
114- - `` asanyarray `` : 始终返回数组对象或数组对象派生的子类,具体取决于传入的类型。例如,如果传入一个`` matrix `` ,它将返回一个`` matrix `` 。
100+ 下表粗略的反应了一些常见MATLAB表达式的大致对应关系。这些并不是完全等价的,而是应该作为提示来引导您走向正确的方向。有关更多详细信息,请参阅NumPy函数的内置文档。
115101
116- 这些函数都接受数组和矩阵(除了别的类型哈,比如Python的list类型之类的),因此在编写应该接受任何类似数组的对象的函数时很有用。
117102
118103在下表中,假设你已经在Python中执行了以下命令:
119104
@@ -122,21 +107,21 @@ from numpy import *
122107import scipy.linalg
123108```
124109
125- 另外如果下表中的`` 注释 `` 这一列的内容是和`` matrix ` `
110+ 另外如果下表中的` 注释 ` 这一列的内容是和` matrix ` 有关的话,那么参数一定是二维的形式。
126111
127112### 一般功能的对应表
128113
129114MATLAB | NumPy | 注释
130115---|---|---
131- `` help func `` | `` info(func) `` 或 `` help(func) `` 或 `` func? `` (在 Ipython 中) | 获得函数func的帮助。
132- `` which func `` | see note HELP(译者注:在里的原链接已经失效。) | 找出func定义的位置。
133- `` type func `` | `` source(func) `` 或 `` func?? `` (在 Ipython 中) | 打印func的源代码(如果不是原生函数的话)。
134- `` a && b `` | `` a and b `` | 短路逻辑 AND 运算符 (Python 原生运算符); 仅限标量参数。
135- `` a \|\| b `` | `` a or b `` | 短路逻辑 OR 运算符 (Python 原生运算符); 仅限标量参数。
136- `` 1 *i, 1*j, 1i, 1j`` | `` 1j `` | 复数。
137- `` eps `` | `` np.spacing(1) `` | 数字1和最近的浮点数之间的距离。
138- `` ode45 `` | `` scipy.integrate.solve_ivp(f) `` | 将ODE与Runge-Kutta 4,5整合在一起。
139- `` ode15s `` | `` scipy.integrate.solve_ivp(f, method='BDF') `` | 用BDF方法整合ODE。
116+ help func | info(func) 或 help(func) 或 func? (在 Ipython 中) | 获得函数func的帮助。
117+ which func | see note HELP(译者注:在里的原链接已经失效。) | 找出func定义的位置。
118+ type func | source(func) 或 func?? (在 Ipython 中) | 打印func的源代码(如果不是原生函数的话)。
119+ a && b | a and b | 短路逻辑 AND 运算符 (Python 原生运算符); 仅限标量参数。
120+ a \|\| b | a or b | 短路逻辑 OR 运算符 (Python 原生运算符); 仅限标量参数。
121+ 1 \ *\ *1j | 复数。
122+ eps | np.spacing(1) | 数字1和最近的浮点数之间的距离。
123+ ode45 | scipy.integrate.solve_ivp(f) | 将ODE与Runge-Kutta 4,5整合在一起。
124+ ode15s | scipy.integrate.solve_ivp(f, method='BDF') | 用BDF方法整合ODE。
140125
141126### 线性代数功能对应表
142127
@@ -175,8 +160,8 @@ a(:) = 3 | a[:] = 3 | 将所有值设置为相同的标量值
175160y=x | y = x.copy() | numpy 通过拷贝引用来赋值。
176161y=x(2,:) | y = x[ 1,:] .copy() | numpy 通过拷贝引用来切片操作。
177162y=x(:) | y = x.flatten() | 将数组转换为向量(请注意,这将强制拷贝)。
178- 1:10 | arange(1.,11.) 或 r_ [ 1.:11.] 或 r_ [ 1:10:10j] | 创建一个可增长的向量 (参见下面的[ 注释 ] ( #note ) 章节)
179- 0:9 | arange(10.) 或 r_ [ :10.] 或 r_ [ :9:10j] | 创建一个可增长的向量 (参见下面的[ 注释 ] ( #note ) 章节)
163+ 1:10 | arange(1.,11.) 或 r_ [ 1.:11.] 或 r_ [ 1:10:10j] | 创建一个可增长的向量 (参见下面的[ 备注 ] ( #备注 ) 章节)
164+ 0:9 | arange(10.) 或 r_ [ :10.] 或 r_ [ :9:10j] | 创建一个可增长的向量 (参见下面的[ 备注 ] ( #备注 ) 章节)
180165[ 1:10] ' | arange(1.,11.)[ :, newaxis] | 创建一个列向量。
181166zeros(3,4) | zeros((3,4)) | 创建一个全是0的填充的 3x4 的64位浮点类型的二维数组。
182167zeros(3,4,5) | zeros((3,4,5)) | 创建一个全是0的填充的 3x4x5 的64位浮点类型的三维数组。
@@ -208,7 +193,7 @@ rank(a) | linalg.matrix_rank(a) | 二维数组或者矩阵的矩阵rank。
208193a\b | 如果a是方形矩阵 linalg.solve(a,b) ,否则:linalg.lstsq(a,b) | 对于x,x = b的解
209194b/a | Solve a.T x.T = b.T instead | 对于x,x a = b的解
210195[ U,S,V] =svd(a) | U, S, Vh = linalg.svd(a), V = Vh.T | a数组的奇值分解
211- chol(a) | linalg.cholesky(a).T | 矩阵的cholesky分解(matlab中的 `` chol (a)`` 返回一个上三角矩阵,但 `` linalg .cholesky(a)`` 返回一个下三角矩阵)
196+ chol(a) | linalg.cholesky(a).T | 矩阵的cholesky分解(matlab中的chol (a)返回一个上三角矩阵,但linalg .cholesky(a)返回一个下三角矩阵)
212197[ V,D] =eig(a) | D,V = linalg.eig(a) | a数组的特征值和特征向量
213198[ V,D] =eig(a,b) | V,D = np.linalg.eig(a,b) | a,b数组的特征值和特征向量
214199[ V,D] =eigs(a,k) | - | 找到a的k个最大特征值和特征向量
@@ -221,18 +206,18 @@ sort(a) | sort(a) or a.sort() | 对矩阵或者数组进行排序
221206[ b,I] = sortrows(a,i) | I = argsort(a[ :,i] ), b=a[ I,:] | 对矩阵或数组的行进行排序
222207regress(y,X) | linalg.lstsq(X,y) | 多线性回归
223208decimate(x, q) | scipy.signal.resample(x, len(x)/q) | 采用低通滤波的下采样
224- `` unique(a) `` | `` unique(a) `` | -
225- `` squeeze(a) `` | `` a.squeeze() `` | -
209+ unique(a) | unique(a) | -
210+ squeeze(a) | a.squeeze() | -
226211
227- ## 备注
212+ ## 注释
228213
229- ** 子矩阵** : 可以使用ix_命令使用索引列表完成对子矩阵的分配。例如,对于2d阵列a,有人可能会这样做: `` ind=[1,3]; a[np.ix_(ind,ind)]+=100 ` `
214+ ** 子矩阵** : 可以使用ix_命令使用索引列表完成对子矩阵的分配。例如,对于2d阵列a,有人可能会这样做: ` ind=[1,3]; a[np.ix_(ind,ind)]+=100 ` .
230215
231- ** 帮助方面** : 没有直接等同于MATLAB的`` which `` 的命令,但是命令`` help `` 和 `` source `` 通常会列出函数所在的文件名。Python还提供了一个检查模块(do `` import inspect ` `
216+ ** 帮助方面** : 没有直接等同于MATLAB的` which ` 的命令,但是命令` help ` 和 ` source ` 通常会列出函数所在的文件名。Python还提供了一个检查模块(do ` import inspect ` ),该模块提供了一个经常被使用到的`getfile``方法。
232217
233218** 索引方面** : MATLAB® 使用基于1的索引,因此序列的初始元素具有索引1。Python使用基于0的索引,因此数组的初始元素的索引为0。之所以有如此天壤之别,是因为它们各有优缺点。使用基于1的索引是和常见的人类语言用法是一致的,前者是序列的 "第一个" 元素的索引是1。而后者基于0的索引简化了索引。另见pro.dr的文本。
234219
235- ** 范围** : 在 MATLAB® 中,0:5既可以用作范围文字索引 ,也可以用作"片"索引(括号内);然而,在Python中,像0:5这样的结构只能用作片索引 (方括号内)。因此,创建了有点奇怪的r_Object ,以允许numpy具有类似的简洁范围构造机制。请注意,r_不像函数或构造函数那样被调用 ,而是使用方括号进行索引,这允许在参数中使用Python的切片语法。
220+ ** 范围** : 在 MATLAB® 中,` 0:5 ` 既可以用作范围文字索引 ,也可以用作"片"索引(括号内);然而,在Python中,像 ` 0:5 ` 这样的结构只能用作片索引 (方括号内)。因此,创建了有点奇怪的 ` r_ ` 对象 ,以允许numpy具有类似的简洁范围构造机制。请注意,` r_ ` 不像函数或构造函数那样被调用 ,而是使用方括号进行索引,这允许在参数中使用Python的切片语法。
236221
237222** 逻辑运算** : & 或者 | 在NumPy中是按位的 AND/OR,而在Matlab中 & 和 | 是逻辑 AND/OR。对于任何有丰富编程经验的人来说,这一区别应该是显而易见的。这两种方法表面上看起来是一样的,但也有重要的区别。如果你要使用Matlab的& 或 | 操作符,则应该使用NumPy函数的logicaland/logicalor。Matlab 的运算符 与 NumPy 的 & 和 | 运算符的显著区别是:
238223
@@ -248,7 +233,7 @@ decimate(x, q) | scipy.signal.resample(x, len(x)/q) | 采用低通滤波的下
248233
249234NumPy,或者更确切地说是Python,具有类似的功能。
250235
251- - 要修改Python搜索路径以包含自己模块的位置,请定义`` PYTHONPATH ` `
236+ - 要修改Python搜索路径以包含自己模块的位置,请定义` PYTHONPATH ` 的环境变量。
252237- 要在启动交互式Python解释器时执行特定的脚本文件,请定义"PYTHONSTARTUP"环境变量以包含启动脚本的名称。
253238
254239与MATLAB®不同,可以立即调用路径上的任何内容,使用Python,你需要先执行"import"语句,以使特定文件中的函数可访问。
0 commit comments