Matlab和numpy几点区别记录

首先挂一个常见命令对比：python中numpy与matlab的对应关系_mergerly的博客-CSDN博客

• 傅里叶变换

二维矩阵的傅里叶变换

matlab的ifft=numpy.fft.fft2

三维矩阵的时候，在matlab中命令为fft2()

numpy可以这样写：

fft = np.fft.fft2(img[:, :, 0]).T
for num in range(1, psf_num):
    fft = np.dstack((fft, np.fft.fft2(img[:, :, num]).T))

傅里叶逆变换也是一样的，二维矩阵两者相等，

三维矩阵的时候，在matlab中命令为ifft2()

numpy可以这样写：

ifft = np.fft.ifft2(img[:, :, 0]).T
for num in range(1, psf_num):
    ifft = np.dstack((ifft, np.fft.ifft2(img[:, :, num]).T))

• reshape

(这部分是看了大佬的：Python 三维数组转化为二维数组 和MATLAB的reshape函数结果一致_jzjz9888的博客-程序员信息网_matlab和python的三维数组 - 程序员信息网)

三维矩阵reshape为二维的时候

matlab代码：b = reshape(a,  ,  )

numpy：

a = a.transose(1,2,0)

b = numpy.reshape(a, [ , ], order = 'F')

• 三维矩阵相乘

mmx是matlab一个加速矩阵运算的工具包

mmx('square', a9, [], 't')

help文档里面是：    C = mmx('square', A, [],'t') will perform C = A'*A

对于二维矩阵，matlab和numpy是一样的，如help中缩写

但是如果矩阵是三维，在matlab下面命令一样，在numpy下就可以这样计算：

a9 = batch_blur_base_mat.transpose((1,0,2))
b9 = a9.T
result = np.einsum('ijk,jnk->ink', a9, b9)

• 稀疏矩阵，目前只用过这个命令

在matlab中是：result = sparse(i_index, j_index, im, m, n);

看了大佬解释（matlab中的sparse函数使用_想要进步的码农的博客-CSDN博客_matlab sparse）

原理在于result(i_index(k),j_index(k)) = im(k)，并将result的大小指定为m×n

numpy源码中是这样注释自己的命令的：

 numpy和matlab的不同就是numpy中data和两个index必须是一维数组

所以上面的matlab命令在numpy中可以这样写：

i_index1 = i_index.T.flatten()
j_index1 = j_index.T.flatten()
im = im.T.flatten()
result = sparse.csr_matrix((im, (i_index1, j_index1)), [m, n])

• 稀疏矩阵求逆

python下面：这会用的不是numpy了，返回一个matrix
from scipy.sparse.linalg.inv(im)

等价于matlab的：inv(AS)

• 记录一个python下面常见的bug

TypeError: data type not understood

这种时候先检查自己的括号什么的有没有少写