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