numpymatlab比较,Numpy（一）np.array与matlabmatrix对比

一、Numpy是什么

Numpy代表"Numerical Python’&＃xff0c;那么Numpy是什么呢&＃xff1f;

Numpy是一个python的数字库

NumPy包含多维数组和矩阵数据结构

数组结构支持与三角、统计、和线性代数相关的大部分函数。

Numeric和Nuarray的扩展

Numpy包含随机数发生器

Numpy使用C语言实现和封装

Pandas对象是建立在Numpy基础上的&＃xff0c;实现了对Numpy的扩展

Scipy(Scientifc Python)和MatplotLib(Plotting Library)和它是好搭档&＃xff0c;具备与和Matlab扳扳手腕的能力。

二、Ndarray Object

要了解一门面向对象的语言&＃xff0c;最好的办法就是从数据成员、成员函数来认识它。

2.1 数据成员

数据成员含义ndarray.ndim列数(矩阵而言)

ndarray.shape维度信息(3,5)

ndarray.size总元素个数

ndarray.dtype元素类型

ndarray.itemsize元素所占字节数

ndarray.data内存位置

2.2 成员函数

python函数参数可以是

构造函数

numpy.array(object, dtype &＃61; None, copy &＃61; True, order &＃61; None, subok &＃61; False, ndmin &＃61; 0)1

object sequence序列及其嵌套。python中序列有&＃xff1a;list[],tuple()和range。

另外&＃xff0c;python中的参数可不必按照定义顺序传入参数&＃xff0c;方法是使用“关键字&＃43;值”的方式。如&＃xff1a;

A&＃61;np.array([[1,2],[2,3],[3,2]],dtype&＃61;&＃39;int64&＃39;)1

赋值构造函数是浅拷贝

A&＃61;B1

其他函数

统计类函数

sort mean max min sum std var cumsum cumprod argmax argmin corrcoef cov fabs ceil floor round fmod(余数)

如sort函数&＃xff1a;

numpy.sort(a, axis, kind, order)1

函数参数如下表&＃xff1a;

参数含义a待排数组

axis排序方向&＃xff0c;默认为最后一维

kind&＃39;quicksort’默认 ‘merge sort’ ‘heap sort’

orderarray含多个元素时待排元素名称

函数

三角函数&＃xff1a;sin cos tan等&＃xff1b;常见函数&＃xff1a;power sqrt exp square log2 log10 log modf(小数和整数部分)&＃xff1b;矩阵构造&＃xff1a;eyes ones empty rand

数学常量

pi e

其他库

np.random np.linalg np.polynomial np.fft n

运算符重载

四则运算

三、Compare with matlab

在matlab使用doc&＃43;命令名可以查看对应函数用法&＃xff0c;spyder则使用help&＃43;命令名&＃xff0c;spyder的快捷键为ctrl&＃43;I&＃xff0c;我习惯把他设置为F1。按照matlab教程来探索一下&＃xff0c;python中的narray!

https://ww2.mathworks.cn/help/matlab/learn_matlab/matrices-and-arrays.html

3.1 数组的创建

创建每行包含四个元素的数组,调用构造函数&＃xff0c;传入一个list对象&＃xff1a;

a&＃61;np.array([1,2,3,4])1

这种数组为列向量。

要创建包含多行的矩阵&＃xff0c;请传入嵌套的list对象&＃xff1a;

a&＃61;np.array([[1,2,3],[4,5,6],[7,8,10])1

创建矩阵的另一种方法是使用ones、zeros、rand和empty等函数[1]。例如创建一个由零组成的5*1列向量&＃xff1a;

np.ones((5,1))1

shape类型可以是tuple()或者list[]&＃xff0c;np.empty等价于matlab中的:

A&＃61;[]1

3.2 矩阵和数组运算

python允许您使用单一的算数运算符或函数来处理矩阵中的所有值。

a&＃61;np.array([[1,2,3],[4,5,6],[7,8,10]])

print(a&＃43;10)1

2

结果如下&＃xff1a;

这里python和matlab也有一点不一样&＃xff0c;python没有将结果默认输出至终端的操作&＃xff0c;因此&＃xff0c;需要我们手动加上print。

a&＃61;np.array([[1,2,3],[4,5,6],[7,8,10]])

print(np.sin(a))1

2

matlab将基本的函数都封装在全局作用域中&＃xff0c;而python需要调用numpy来完成。

要转置矩阵&＃xff0c;请使用np.transpose成员函数&＃xff0c;或者.T

a&＃61;np.array([[1,2,3],[4,5,6],[7,8,10]])

print(a.T)

print(np.transpose(a))1

2

3

结果如下&＃xff1a;

matlab选择直接使用单引号来表达该运算。

您可以使用 dot或者matmul 运算符执行标准矩阵乘法&＃xff0c;这将计算行与列之间的内积。例如&＃xff0c;确认矩阵乘以其逆矩阵可返回单位矩阵&＃xff1a;

a&＃61;np.array([[1,2,3],[4,5,6],[7,8,10]])

print(np.dot(a,np.linalg.inv(a)))1

2

结果如下&＃xff1a;

注意事项&＃xff1a;在python得np.array类中&＃xff0c;矩阵运算和matlab有较大差异。matlab使用.*表示点乘&＃xff0c;*表示矩阵乘法,dot则表示维点积&＃xff1b;而python将*或multiply定义成点乘&＃xff0c;vdot定义成点积&＃xff0c;矩阵乘法则为dot或者matdot&＃xff1b;倒是叉积得结果两者是统一的。

求逆运算&＃xff0c;python封装在np中的线性代数算法中np.linalg中&＃xff0c;名称和matlab一样是inv,matlab还对矩阵的-1次方进行了重载&＃xff0c;也表示求逆。

乘法、除法和幂的矩阵运算是对于每个元素的操作&＃xff0c;类似数乘&＃xff1a;

a&＃61;np.array([1,2,3])

print(pow(a,3))1

2

结果如下&＃xff1a;

串联

串联是连接数组以便形成更大数组的过程。python通过调用vstack和hstack来完成串联操作。

a&＃61;np.array([1,2,3])

b&＃61;np.array([4,5,6])

print(np.hstack([a,b,b,b]))1

2

3

结果如下&＃xff1a;

vstack和hstack支持tuple、list且可以多次拼接。

这一点和matlab又有所区别&＃xff0c;matlab则使用了中括号[] 、;和,表征矩阵的拼接。

复数

和matlab一样&＃xff0c;python同样支持复数操作&＃xff0c;不过使用字母j来表示复数。Matlab对复数i和j都进行了辨识&＃xff0c;且系数为1时也可以不写&＃xff0c;符合人的书写习惯。

ps:1&＃43;i复数应该写成1&＃43;1j,1是不可省略的。

切片

a&＃61;np.array([[1,2,3],[4,5,6],[7,8,10]])

print(a[0:2,:])1

2

小结&＃xff1a;Matlab的矩阵操作&＃xff0c;相对于Numpy.array而言&＃xff0c;Matlab更加顺手、更加简洁&＃xff1a;

Matlab符号利用率高&＃xff0c;人性化。如转置&＃39;&＃xff0c;范围[s:step:e]、^n求n次方 -1求逆&＃xff0c;i或 j复数都可以表示&＃xff0c;同时系数为1时不用写成1j&＃xff0c;拼接的时候[,]和[;]表意明确&＃xff0c;不用额外调用函数

Matlab的函数都封装在其大命名空间&＃xff0c;不需要通过对象调用 cross max等

要注意区别&＃xff1a;

Matlab下标从1开始&＃xff0c;而np.array则从0开始

范围[s:step:e]是闭区间&＃xff0c;np.arrange(s,e,step)左闭右开

在一些函数上有区别&＃xff0c;如Matlab的矩阵间的*表示的是矩阵乘法&＃xff0c;而在Python中则为点乘

[1]https://ww2.mathworks.cn/help/matlab/learn_matlab/matrices-and-arrays.html

[2](Why Should We Use NumPy?) https://medium.com/fintechexplained/why-should-we-use-numpy-c14a4fb03ee9