ailearning/docs/da/051.md

# 从 Matlab 到 Numpy

## Numpy 和 Matlab 比较

**`Numpy`** 和 **`Matlab`** 有很多相似的地方，但 **`Numpy`** 并非 **`Matlab`** 的克隆，它们之间存在很多差异，例如：

| `MATLAB®` | `Numpy` |
| --- | --- |
| 基本类型为双精度浮点数组，以二维矩阵为主 | 基本类型为 `ndarray`，有特殊的 `matrix` 类 |
| 1-based 索引 | 0-based 索引 |
| 脚本主要用于线性代数计算 | 可以使用其他的 **Python** 特性 |
| 采用值传递的方式进行计算
切片返回复制 | 采用引用传递的方式进行计算
切片返回引用 |
| 文件名必须和函数名相同 | 函数可以在任何地方任何文件中定义 |
| 收费 | 免费 |
| 2D，3D图像支持 | 依赖第三方库如 `matplotlib` 等 |
| 完全的编译环境 | 依赖于 **Python** 提供的编译环境 |

## array 还是 matrix？

`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 `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，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

## 类 Matlab 函数

有很多类似的函数：

*   `ones, zeros, empty, eye, rand, repmat`

通常这些函数的返回值是 `array`，不过 `numpy` 提供了一个 `matlib` 的子模块，子模块中的这些函数返回值为 `matrix`：

In [1]:

```py
import numpy
import numpy.matlib

```

In [2]:

```py
a = numpy.ones(7)

print a.shape
print type(a)

```

```py
(7L,)
<type 'numpy.ndarray'>

```

In [3]:

```py
a = numpy.matlib.ones(7)

print a.shape
print type(a)

```

```py
(1L, 7L)
<class 'numpy.matrixlib.defmatrix.matrix'>

```

`mat` 函数将一个数组转化为矩阵：

In [4]:

```py
a = numpy.array([1,2,3])

b = numpy.mat(a)

print type(b)

```

```py
<class 'numpy.matrixlib.defmatrix.matrix'>

```

有些函数被放到子模块中了，例如调用 `rand()` 函数需要使用 `numpy.random.rand()` （或者从 `matlib` 模块中生成矩阵）：

In [5]:

```py
a = numpy.random.rand(10)
print a

```

```py
[ 0.66007267  0.34794294  0.5040946   0.65044648  0.74763248  0.42486999
  0.90922612  0.69071747  0.33541076  0.08570178]

```

## 等效操作

假定我们已经这样导入了 `Numpy`：

In [6]:

```py
from numpy import *
import scipy.linalg

```

以下 `linalg` 表示的是 `numpy.linalg`，与 `scipy.linalg` 不同。

注意：**`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`

| MATLAB | Numpy | 注释 |
| --- | --- | --- |
| `help func` | `info(func)`， `help(func)`， `func?`(IPython) | 查看函数帮助 |
| `which func` |  | 查看函数在什么地方定义 |
| `type func` | `source(func)`， `func?？`(IPython) | 查看函数源代码 |
| `a && b` | `a and b` | 逻辑 `AND` |
| `1*i, 1*j, 1i, 1j` | `1j` | 复数 |
| `eps` | `spacing(1)` | `1` 与最近浮点数的距离 |
| `ndims(a)` | `ndim(a), a.ndim` | `a` 的维数 |
| `numel(a)` | `size(a), a.size` | `a` 的元素个数 |
| `size(a)` | `shape(a), a.shape` | `a` 的形状 |
| `size(a,n)` | `a.shape[n-1]` | 第 n 维的大小 |
| `a(2,5)` | `a[1,4]` | 第 2 行第 5 列元素 |
| `a(2,:)` | `a[1], a[1,:]` | 第 2 行 |
| `a(1:5,:)` | `a[0:5]` | 第 1 至 5 行 |
| `a(end-4:end,:)` | `a[-5:]` | 后 5 行 |
| `a(1:3,5:9)` | `a[0:3][:,4:9]` | 特定行列（1~3 行，5~9 列） |
| `a([2,4,5],[1,3])` | `a[ix_([1,3,4],[0,2])]` | 特定行列（2,4,5 行的 1,3 列） |
| `a(3:2:21,:)` | `a[2:21:2,:]` | 特定行列（3,5,...,21 行） |
| `a(1:2:end,:)` | `a[ ::2,:]` | 奇数行 |
| `a([1:end 1],:)` | `a[r_[:len(a),0]]` | 将第一行添加到末尾 |
| `a.'` | `a.T` | 转置 |
| `a ./ b` | `a/b` | 逐元素除法 |
| `(a>0.5)` | `(a>0.5)` | 各个元素是否大于 0.5 |
| `find(a>0.5)` | `nonzero(a>0.5)` | 大于 0.5 的位置 |
| `a(a<0.5)=0` | `a[a<0.5]=0` | 小于 0.5 的设为 0 |
| `a(:) = 3` | `a[:] = 3` | 所有元素设为 3 |
| `y=x` | `y=x.copy()` | 将 y 设为 x |
| `y=x(2,:)` | `y=x[1,:].copy()` | 注意值传递和引用传递的区别 |
| `y=x(:)` | `y=x.flatten(1)` | 将矩阵变为一个向量，这里 `1` 表示沿着列进行转化 |
| `max(max(a))` | `a.max()` | 最大值 |
| `max(a)` | `a.max(0)` | 每一列的最大值 |
| `max(a,[],2)` | `a.max(1)` | 每一行的最大值 |
| `max(a,b)` | `maximum(a,b)` | 逐元素比较，取较大的值 |
| `a & b` | `logical_and(a, b)` | 逻辑 AND |
| `bitand(a, b)` | `a & b` | 逐比特 AND |
| `inv(a)` | `linalg.inv(a)` | a 的逆 |
| `pinv(a)` | `linalg.inv(a)` | 伪逆 |
| `rank(a)` | `linalg.matrix_rank(a)` | 秩 |
| `a\b` | `linalg.solve(a,b)(如果a是方阵),linalg.lstsq(a,b)` | 解 `a x = b` |
| `b/a` | 求解 `a.T x.T = b.T` | 解 `x a = b` |
| `[U,S,V]=svd(a)` | `U, S, Vh = linalg.svd(a), V = Vh.T` | 奇异值分解 |
| `chol(a)` | `linalg.cholesky(a).T` | Cholesky 分解 |
| `[V,D]=eig(a)` | `D,V = linalg.eig(a)` | 特征值分解 |
| `[V,D]=eig(a,b)` | `V,D = scipy.linalg.eig(a,b)` |  |
| `[V,D]=eigs(a,k)` |  | 前 k 大特征值对应的特征向量 |
| `` | `` |  |
| `` | `` |  |
| `` | `` |  |
| `` | `` |  |

| MATLAB | numpy.array | numpy.matrix | 注释 |
| --- | --- | --- | --- |
| `[1,2,3;4,5,6]` | `array([[1.,2.,3.],[4.,5.,6.]])` | `mat([[1.,2.,3.],[4.,5.,6.]]), mat('1,2,3;4,5,6')` | `2x3` 矩阵 |
| `[a b;c d]` | `vstack([hstack([a,b]), hsatck([c,d])]])` | `bmat('a b;c d')` | 分块矩阵构造 |
| `a(end)` | `a[-1]` | `a[:,-1][0,0]` | 最后一个元素 |
| `a'` | `a.conj().T` | `a.H` | 复共轭转置 |
| `a * b` | `dot(a,b)` | `a * b` | 矩阵乘法 |
| `a .* b` | `a * b` | `multiply(a,b)` | 逐元素乘法 |
| `a.^3` | `a**3` | `power(a,3)` | 逐元素立方 |
| `a(:,find(v>0.5))` | `a[:,nonzero(v>0.5)[0]]` | `a[:,nonzero(v.A>0.5)[0]]` | 找出行向量 `v>0.5` 对应的 `a` 中的列 |
| `a(:,find(v>0.5))` | `a[:,v.T>0.5]` | `a[:,v.T>0.5)]` | 找出列向量 `v>0.5` 对应的 `a` 中的列 |
| `a .* (a>0.5)` | `a * (a>0.5)` | `mat(a.A * (a>0.5).A)` | 将所有小于 0.5 的元素设为 0 |
| `1:10` | `arange(1.,11.), r_[1.:11.], r_[1:10:10j]` | `mat(arange(1.,11.)), r_[1.:11., 'r']` | 这里 `1.` 是为了将其转化为浮点数组 |
| `0:9` | `arange(10.), r_[:10.], r_[:9:10j]` | `mat(arange(10.)), r_[:10., 'r']` |  |
| `[1:10]'` | `arange(1.,11.)[:,newaxis]` | `r_[1.:11.,'c']` | 列向量 |
| `zeros, ones, eye, diag, linspace` | `zeros, ones, eye, diag, linspace` | `mat(...)` |  |
| `rand(3,4)` | `random.rand(3,4)` | `mat(...)` | 0~1 随机数 |
| `[x,y]=meshgrid(0:8,0:5)` | `mgrid[0:9., 0:6.], meshgrid(r_[0:9.],r_[0:6.])` | `mat(...)` | 网格 |
|  | `ogrid[0:9.,0:6.], ix_(r_[0:9.],r_[0:6.])` | `mat()` | 建议在 `Numpy` 中使用 |
| `[x,y]=meshgrid([1,2,4],[2,4,5])` | `meshgrid([1,2,4],[2,4,5])` | `mat(...)` |  |
|  | `ix_([1,2,4],[2,4,5])` | `mat(...)` |  |
| `repmat(a, m, n)` | `tile(a, (m,n))` | `mat(...)` | 产生 `m x n` 个 `a` |
| `[a b]` | `c_[a,b]` | `concatenate((a,b),1)` | 列对齐连接 |
| `[a; b]` | `r_[a,b]` | `concatenate((a,b))` | 行对齐连接 |
| `norm(v)` | `sqrt(dot(v,v)), linalg.norm(v)` | `sqrt(dot(v.A,v.A)), linalg.norm(v)` | 模 |
| `[Q,R,P]=qr(a,0)` | `Q,R = scipy.linalg.qr(a)` | `mat(...)` | QR 分解 |
| `[L,U,P]=lu(a)` | `L,U = Sci.linalg.lu(a)` | `mat(...)` | LU 分解 |
| `fft(a)` | `fft(a)` | `mat(...)` | FFT |
| `ifft(a)` | `ifft(a)` | `mat(...)` | IFFT |
| `sort(a)` | `sort(a),a.sort` | `mat(...)` | 排序 |

参考：[http://wiki.scipy.org/NumPy_for_Matlab_Users#whichNotes](http://wiki.scipy.org/NumPy_for_Matlab_Users#whichNotes)