matlab和python有共同点吗_Python学习（八）Matlab和Numpy异同

参考资料：

https://github.com/lijin-THU/notes-python（相应实体书为：《自学Python——编程基础、科学计算及数据分析》）

从Matlab到Numpy

1. Numpy和Matlab比较

2. array还是matrix?（数组 VS 矩阵）

Numpy 中不仅提供了array 这个基本类型，还提供了支持矩阵操作的类 matrix，但是一般推荐使用数组array：

很多 numpy 函数返回的是 array，不是 matrix

在 array 中，逐元素操作和矩阵操作有着明显的不同

向量可以不被视为矩阵

具体说来：

*， dot(), multiply()

array：* -逐元素乘法，dot() -矩阵乘法

matrix：* -矩阵乘法，multiply() -逐元素乘法

处理向量

array：形状为 1xN, Nx1, N 的向量的意义是不同的，类似于 A[:,1] 的操作返回的是一维数组（shape为（N,）），形状为 N，一维数组的转置仍是自己本身

matrix：形状为 1xN, Nx1，A[:,1] 返回的是二维 Nx1 矩阵

高维数组

array：支持大于2的维度

matrix：维度只能为2

属性

array：.T 表示转置

matrix：.H 表示复共轭转置，.I 表示逆，.A 表示转化为 array 类型

构造函数

array：array 函数接受一个（嵌套）序列作为参数——array([[1,2,3],[4,5,6]])

matrix：matrix 函数额外支持字符串参数——matrix("[1 2 3; 4 5 6]")

其优缺点各自如下：

array

[GOOD] 一维数组既可以看成列向量，也可以看成行向量。v 在 dot(A,v) 被看成列向量，在 dot(v,A) 中被看成行向量，这样省去了转置的麻烦

[BAD!] 矩阵乘法需要使用 dot() 函数，如： dot(dot(A,B),C) vs A*B*C

[GOOD] 逐元素乘法很简单： A*B

[GOOD] 作为基本类型，是很多基于 numpy 的第三方库函数的返回类型

[GOOD] 所有的操作 *,/,+,**,... 都是逐元素的

[GOOD] 可以处理任意维度的数据

[GOOD] 张量运算

matrix

[GOOD] 类似与 MATLAB 的操作

[BAD!] 最高维度为2

[BAD!] 最低维度也为2

[BAD!] 很多函数返回的是 array，即使传入的参数是 matrix

[GOOD] A*B 是矩阵乘法

[BAD!] 逐元素乘法需要调用multiply 函数

[BAD!] / 是逐元素操作

当然在实际使用中，二者的使用取决于具体情况。

二者可以互相转化：

asarray ：返回数组

asmatrix（或者mat） ：返回矩阵

asanyarray ：返回数组或者数组的子类，注意到矩阵是数组的一个子类，所以输入是矩阵的时候返回的也是矩阵

3. 类Matlab函数：ones, zeros, empty, eye, rand, repmat

注：通常这些函数返回值为array；为了得到matrix返回值，可使用matlib子模块

1 importnumpy2 importnumpy.matlib3

4 a = numpy.ones(7)5 print(a.shape)　　#(7,)6 print(type(a))　　#7

8 a = numpy.matlib.ones(7)9 print(a.shape)　　#(1,7)10 print(type(a))　　#

mat函数将数组转化为矩阵：a = numpy.array([1,2,3])；b = numpy.mat(a)

类似于利用matlib模块生成矩阵，还有部分函数也被放到子模块中了，如调用rand()函数需要使用numpy.random.rand()　　// a = numpy.random.rand(10)

4. 等效操作

1 from numpy import *

2 import scipy.linalg

#以下linalg代表numpy.linalg，与scipy.linalg不同

MATLAB 与 Numpy 下标之间有这样几处不同：

1-base vs 0-base

() vs []

MATLAB：beg(:step):end，包含结束值 end

Numpy：beg:end(:step)，不包含结束值 end