MATLAB Vs. Python Numpy

MATLAB	Numpy	注释
a && b	a and b	逻辑 AND
1*i, 1*j, 1i, 1j	1j	复数
eps	spacing(1)	1 与最近浮点数的距离
ndims(a)	ndim(a), a.ndim	a 的维数
numel(a)	size(a), a.size	a 的元素个数
size(a)	shape(a), a.shape	a 的形状
size(a,n)	a.shape[n-1]	第 n 维的大小
a(2,5)	a[1,4]	第 2 行第 5 列元素
a(1:3,5:9)	a[0:3][:,4:9]	特定行列（1~3 行，5~9 列）
a(1:n-1)	a.flatten(1)[0:n-2]	将矩阵变为一个向量，这里 1 表示沿着列进行转化
a(n)	a.flatten(1)[n]
[1,2,3;4,5,6]	array([[1.,2.,3.],[4.,5.,6.]])	2x3 矩阵
a(end)	a[-1]	最后一个元素
a'	a.conj().T	复共轭转置
a.'	a.T	转置
a ./ b	a/b	逐元素除法
a * b	dot(a,b)	矩阵乘法
a .* b	a * b	逐元素乘法
a.^3	a**3	逐元素立方
a^2	dot(a,a)	平方
a^p （p>2）	dot(dot(a,a),a)......	主元素
rand(3,4)	random.rand(3,4)	0~1 随机数
sum(sum(abs(x)))	sum(abs(x))	求x矩阵所有元素和
logical(eye(x))	eye(x)>0	取x维对角1矩阵，并转为逻辑值
reshape(x, 1, 1, P)	reshape(x, (1, 1, P))	重塑一个x矩阵为
norm(v)	sqrt(dot(v,v)), linalg.norm(v)	模
inv	np.linalg.inv(a)	求矩阵的逆
[V,D]=eig(a)	D,V = linalg.eigh(a)	特征值分解
reshape(e, M*N, P)	reshape(e, (M*N, P),order='F')	按照列重塑矩阵

分数幂

MATLAB:

[1 2; 2 3]^0.05

ans =

   0.9620 + 0.1053i   0.0697 - 0.0651i
   0.0697 - 0.0651i   1.0317 + 0.0402i

Python:

numpy.array([[1,2],[2,3]])**0.05
Out: 
array([[1.        , 1.03526492],
       [1.03526492, 1.05646731]])

 矩阵特征分解

MATLAB

[V,D]=eig([1,2;2,3])

V =

   -0.8507    0.5257
    0.5257    0.8507


D =

   -0.2361         0
         0    4.2361

Python：

[D,V] = numpy.linalg.eigh(a)

[-0.23606798  4.23606798]

[[-0.85065081  0.52573111]
 [ 0.52573111  0.85065081]]

[D,V] = numpy.linalg.eig(a)

[-0.23606798  4.23606798]

[[-0.85065081 -0.52573111]
 [ 0.52573111 -0.85065081]]