诚然,没有一门语言能够撼动matlab的矩阵或科学计算在学术圈的地位,因其简洁的语法(matrix是其基本数据类型),因其矩阵运算的便捷,因其术业有专攻(matlab:为科学计算而生),因其名字matlab:matrix laboratory,所在的公司名mathworks:math works。我在写过一些matlab和python的代码之后,油然发过一句感慨“没有一门语言能比matlab还更具数学感”。然而,因为numpy、pandas和matplotlib 等一众优秀的开发者(不排除从matlab阵营溜出来的)贡献的一众优秀的开源的库,让python具备了和matlab一样的功能,为工程而生的python从此因为有了数学家的参与就相当初的matlab一样,也学术起来,工程学术通吃。
本文试图回答的问题包括:为什么矩阵运算要从matlab迁移到python?
如何进行迁移,其中会涉及哪些基本编程理念的差异?
迁移的过程中需要注意哪些细节?python矩阵运算,更准确地说,是numpy矩阵运算,为了更为方便地使用numpy库,如下文使用的那样,我们需要导入numpy库并重命名为np
import numpy as np1
零、编程理念的对比
0.1 编程范式
matlab是面向过程的编程方式,而python既支持面向过程又支持面向对象,是一种多范式(multi paradigms)的编程语言。因此,不难理解python编程语言中广泛存在的以下的两种等价实现方式:
np.dot(X, w) # 调用全局函数,面向过程的编程方式X.dot(w) # 调用对象的成员函数,面向对象的编程方式1
2
0.2 matlab从1开始计数,python从0开始
0.2.1 对矩阵而言:
r = size(A, 1); % 表示的是行数c = size(A, 2); % 表示的是列数i = 0:size(A, 1) - 1;A(i, :) % error: 矩阵的下标索引必须是正整数类型(>=1)或逻辑类型(true/false)1
2
3
4
0.2.2 对python而言:
A.shape[0] # 行数, axis = 0A.shape[1] # 列数, axis = 1# 等价的(或者叫面向过程的)表达方式np.shape(A)[0]np.shape(A)[1]# 可从0开始索引矩阵的行r = A.shape[0]A[0:r, :]1
2
3
4
5
6
7
8
0.3 matlab矩阵索引用的是小括号,python是中括号
小括号对于一种支持面向对象、支持运算符重载的语言来说,具有特别的意义,重载括号运算符是仿函数实现的命门。如果了解c++的运算符重载机制,一个类如果重载了括号运算符,便可称作仿函数,把一个类当做函数来使用。恰好,python也支持运算符重载。
class Prob(object): def __init__(self, lhs): self.lhs = lhs def __call__(self, rhs): return self.lhs * rhs # def __call__(self, lhs, rhs) # return lhs * rhsif __name__ == '__main__': p = Prob(2) # 调用的是类构造函数,也即__init__ print(p(5)) # 调用的是实例的括号运算符,也即__call__1
2
3
4
5
6
7
8
9
10
0.4 切片的端点值
matlab中的切片(也即:表达式),是包含两个端点值的,也即是一个闭区间
1:5 % 1, 2, 3, 4, 51
而python中的切片是一个左闭右开的区间:
A[0:2, :] # 索引的是第零行和第一行,而不包括第二行1
0.5 维度的顺序
% matlab>> zeros(2, 3, 4)ans(:,:,1) = 0 0 0 0 0 0ans(:,:,2) = 0 0 0 0 0 0ans(:,:,3) = 0 0 0 0 0 0ans(:,:,4) = 0 0 0 0 0 01
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
# python>>> np.zeros((2, 3, 4))array([[[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]], [[ 0., 0., 0., 0.], [ 0., 0., 0., 0.], [ 0., 0., 0., 0.]]])1
2
3
4
5
6
7
8
9
所以如果一幅256×256的彩色图像在matlab中的shape为256×256×3,在python中的shape为3×256×256。
一、 矩阵的基本操作
1.1 创建矩阵
1.1.1 matlab/octave
>> A = [1, 2, 3; 4, 5, 6; 7, 8, 9]> A = 1 2 3 4 5 6 7 8 91
2
3
4
5分号表示一行的结束
1.1.2 python
A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])A = array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])1
2
3
4
5以Python的基本数据类型list作为np.array的参数,生成numpy.ndarray,也即多维数组
1.2 获取矩阵的维度
1.2.1 matlab/octave
[r, c] = size(A) % r = 3, c = 3size(A, 1) % 3size(A, 2) % 3size(A, 3) % 1numel(A) % 返回的是A的元素个数,即A的全部轴的乘积1
2
3
4
5
1.2.2 python
shapes = A.shape # 是tuple类型的返回值1
而:
A.size # 返回的是A的元素数,即行*列A.size == np.prod(A.shape)1
2
1.3 索引矩阵的行和列
1.3.1 matlab/octave
A(1, :) % A的第一行A(1:2, :) % A的前两行A(:, 1) % A的第一列A(:, 1:2) % A的前两列A(end, :) % A的最后一行1
2
3
4
5
1.3.2 python
A[0, :] # 第一行A[0:2, :] # 第一行,第二行A[:, 0] # 第一列A[:, 0:2] # 第一列,第二列A[-1, :] # 最后一行1
2
3
4
5
1.4 通过断言(predicate)提取矩阵的行和列
1.4.1 matlab/octave
mod(A, 4) == 0 0 0 0 1 0 0 0 1 0A(mod(A, 4) == 0) % 返回矩阵中是4的倍数的元素,1
2
3
4
5
6因取模算子%在矩阵中有着特殊的意义(注释),故取模运算用了一个函数来替代。
1.4.2 python
A%4 == 0 array([[False, False, False], [ True, False, False], [False, True, False]], dtype=bool)A[A%4==0] % 返回矩阵中是4的倍数的元素1
2
3
4
5
6
1.5 获取特定位置上的元素
以第一个元素为例:
1.5.1 matlab/octave
A(1, 1)1
1.5.2 python
A[0, 0]1
1.6 向量的操作
1.6.1 matlab
a = [1; 2; 3] % 创建列向量b = [1, 2, 3] % 创建行向量, b = [1 2 3]b = [1 2 3]' % 行转换为列1
2
3
1.6.2 python
a = np.array([[1], [2], [3]])b = np.array([1, 2, 3])b = b[:, np.newaxis] # 或者 b = b[np.newaxis].T1
2
3
1.7 矩阵变维
将一个3*3矩阵转换为一个行向量
1.7.1 matlab/octave
B = reshape(A, 1, numel(A))1
1.7.2 python
B = A.reshape(1, A.size) # array([[1, 2, 3, 4, 5, 6, 7, 8, 9]])B = A.ravel() # array([1, 2, 3, 4, 5, 6, 7, 8, 9])1
2
1.8 矩阵拼接
1.8.1 matlab/octave
A(3, :) = [] % 移除矩阵的某一行(第三行),可见matlab中矩阵操作之强大A = 1 2 3 4 5 6B = [7, 8, 9; 10, 11, 12]C = [A; B] % 列方向上的拼接 1 2 3 4 5 6 7 8 9 10 11 12C = [A B] % 行方向上的拼接 1 2 3 7 8 9 4 5 6 10 11 121
2
3
4
5
6
7
8
9
10
11
12
13
14
15
1.8.2 python
A = A[0:2, :] # 移除矩阵的第三行B = np.array([[7, 8, 9], [10, 11, 12]])C = np.concatenate((A, B), axis=0) # 列方向的拼接C = np.concatenate((A, B), axis=1) # 行方向的拼接1
2
3
4
机器学习的算法实践的过程中,如单层神经网络,支持向量机或者神经网络,常常会遇到对输入X从d维增广到1+d维的情况(每个输入的第一维值为1):
N = 100, d = 5X = np.random.randn(N, d)x0 = np.ones((X.shape[0], 1))X = np.concatenate((x0, X), axis=1)1
2
3
4
1.9 向量(矩阵)层叠
1.9.1 matlab/octave
a = [1, 2, 3]b = [4, 5, 6]c = [a', b']c = [a; b]1
2
3
4
1.9.2 python
a = np.array([1, 2, 3])b = np.array([4, 5, 6])np.c_[a, b] # c_: column array([[1, 4], [2, 5], [3, 6]])np.r_[a, b] # r_: row array([1, 2, 3, 4, 5, 6])1
2
3
4
5
6
7
8
9
10
二、 几种特殊矩阵
2.1 随机矩阵(均匀分布)
2.1.1 matlab/octave
rand(3, 2)1
2.1.2 python
np.random.rand(3, 2)1无论是matlab中的rand()函数,还是numpy.random中的rand()函数,生成的随机数都是服从[0-1]的均匀分布(uniformed distributed),如何生成任意区间的随机数呢?例[2, 5]区间上的随机数 2*rand()+3
2.2 0矩阵, 全一矩阵,单位矩阵符合大小的0矩阵,常常用以申请空间,初始化矩阵, 预先分配内存,提高执行的速度
2.2.1 matlab/octave
zeros(3, 2)ones(3, 2)eye(3)1
2
3
2.2.2 python
np.zeros((3, 2))np.ones((3, 2))np.eye(3)1
2
3
2.3 对角矩阵
2.3.1 matlab/octave
a = [1, 2, 3]diag(a)diag(diag(a) % [1, 2, 3]1
2
3
2.3.2 python
a = np.array([1, 2, 3])np.diag(a)np.diag(np.diag(a)) % array([1, 2, 3])1
2
3
三、 矩阵运算
3.1 矩阵与标量运算
3.1.1 matlab/octave
A = [1, 2, 3; 4, 5, 6; 7, 8, 9]A*2A+2A-2A/2 % 最后统统转换为A中的每一个元素(element-wise)同标量的运算1
2
3
4
5
3.1.2 python
A = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])A*2A/2A-2A+21
2
3
4
5
3.2 矩阵与矩阵运算无论是matlab中的乘法运算(*),还是numpy中的np.dot()运算,本质上执行的都是矩阵的乘法运算,都需要满足矩阵A的列数等于矩阵B的行数。
3.2.1 matlab/octave
A = [1, 2, 3; 4, 5, 6] % 2*3B = [1, 2; 3, 4; 5, 6] % 3*2A*B1
2
3
3.2.2 python
A = np.array([[1, 2, 3], [4, 5, 6]])B = np.array([[1, 2], [3, 4], [5, 6]])A.dot(B) # np.dot(A, B)1
2
3
3.3 矩阵与向量运算矩阵与向量的乘积,是矩阵与矩阵乘积的特例
3.4 按位矩阵与矩阵运算
3.4.1 matlab/octave
A.*AA.+AA.-AA./AA.^A1
2
3
4
5
3.4.2 python
A*AA+AA-AA/A1
2
3
4
5
3.5 矩阵元素的幂乘
3.5.1 matlab/octave
A.^21
3.5.2 python
np.power(A, 2)1
3.6 矩阵的幂乘方阵才有幂乘运算
3.6.1 matlab/octave
A^21
3.6.2 python
np.linalg.matrix_power(A, 2)1
3.7 矩阵转置
3.7.1 matlab/octave
A'1
3.7.2 python
A.T1
3.8 矩阵行列式
3.8.1 matlab/octave
det(A)1
3.8.2 python
np.linalg.det(A)1
3.9 矩阵求逆
3.9.1 matlab/octave
inv(A)1
3.9.10 python
A_inv = np.linalg.inv(A)assert(np.dot(A, A_inv).all() == (np.eye(2)).all())1
2
3.10 计算矩阵协方差矩阵协方差矩阵刻画的是属性间的关系,标准协方差矩阵的求法: 协方差(i,j)=(第i列所有元素-第i列均值)*(第j列所有元素-第j列均值)/(样本数-1)(分母减去1是为了实现无偏估计)
3.10.1 matlab/octave
>> x1=[4.0000 4.2000 3.9000 4.3000 4.1000]’>> x2 = [2.0000 2.1000 2.0000 2.1000 2.2000]'>> x3 = [0.60000 0.59000 0.58000 0.62000 0.63000]’>> cov( [x1,x2,x3] )ans = 2.5000e-02 7.5000e-03 1.7500e-03 7.5000e-03 7.0000e-03 1.3500e-03 1.7500e-03 1.3500e-03 4.3000e-041
2
3
4
5
6
7
8
3.10.1 python
>> x1 = np.array([ 4, 4.2, 3.9, 4.3, 4.1])>> x2 = np.array([ 2, 2.1, 2, 2.1, 2.2])>> x3 = np.array([ 0.6, 0.59, 0.58, 0.62, 0.63])>> np.cov([x1, x2, x3])array([[ 0.025 , 0.0075 , 0.00175], [ 0.0075 , 0.007 , 0.00135], [ 0.00175, 0.00135, 0.00043]])1
2
3
4
5
6
7
3.11 计算特征值和特征向量
3.11.1 matlab/octave
[eig_vec, eig_val]=eig(A)1
3.11.2 python
eig_val, eig_vec = np.linalg.eig(A)1
3.12 生成高斯分布的数据集
3.12.1 matlab/octave
mu = [0, 0]cov = [2, 0; 0, 2]X = mvnrnd(mu, cov, 1000)1
2
3
3.12.2 python
mu = np.array([0, 0])cov = np.array([[2, 0], [0, 2]])X = np.random.multivariate_normal(mu, cov, 100)1
2
3
四、 numpy中的matrix与array对比
虽然numpy也存在matrix类型,且matrix语法更类似与matlab中的矩阵运算,而numpy中的数组,进行矩阵运算时,和matlab中的用法存在较大的差异,比如matlab中的*表示矩阵相乘,numpy中的数组却表示按位相乘。但绝大多数人仍然推荐numpy中的数组,因为numpy中的绝大多数函数的返回类型都是numpy.ndarray(),如果坚持使用numpy中的matrix类型的话,需要进行繁琐的类型转换(np.mat(A))。