目录
- Matlab函数对应关系(Numpy)
- Numpy与Matlab互转操作
- 1、常用操作（参考numpy官方说明）
- 2、线性变换（参考numpy官方说明）
Matlab函数对应关系(Numpy)
首先给出官网链接，其中详细说明了在Python下如何用Numpy实现Matlab下相同的函数功能。
博主在用Python撰写代码的时候，想用Python实现在Matlab下某个函数的功能（比如Repmat函数），但是当使用语句
from numpy.matlib import repmat
A = repmat(B, 1, 2)
调用工具包时，虽然可以正常实现功能，但是PyCharm下报出警告：
Importing from numpy.matlib is deprecated since 1.19.0. The matrix subclass is not the recommended way to represent matrices or deal with linear algebra (see https://docs.scipy.org/doc/numpy/user/numpy-for-matlab-users.html). Please adjust your code to use regular ndarray.
随后，通过查阅资料，发现是因为从1.19.0版本后，numpy就不再推荐使用numpy.matlib来实现对应功能了。
因此，大家可以对照官网上的说明来实现替换。
这里截取一小部分：
其他的可以从官网上面找到。
Numpy与Matlab互转操作
在日常使用中，matlab作为我们机器学习以及深度学习的模型训练使用的工具，而线上使用python实现模型落地。因为不可避免常遇到matlab与numpy之间有些操作需要相互转换。
1、常用操作（参考numpy官方说明）
| MATLAB |
numpy |
说明 |
| helpfunc |
info(func) or help(func) orfunc? (in Ipython) |
获得函数的帮助 |
| whichfunc |
see note HELP |
查找函数的定义 |
| typefunc |
source(func) or func?? (inIpython) |
查看函数源码 |
| a && b |
a and b |
逻辑运算与操作 |
| a || b |
a or b |
逻辑运算或操作 |
| 1*i, 1*j,1i, 1j |
1j |
复数 |
| eps |
np.spacing(1) |
1与最小浮点数的距离 |
| ode45 |
scipy.integrate.solve_ivp(f) |
求解同阶微分方程-Kutta 4,5 |
| ode15s |
scipy.integrate.solve_ivp(f, method='BDF') |
求解变阶微分方程 |
2、线性变换（参考numpy官方说明）
| MATLAB |
NumPy |
| ndims(a) |
ndim(a) or a.ndim |
| numel(a) |
size(a) or a.size |
| size(a) |
shape(a) or a.shape |
| size(a,n) |
a.shape[n-1] |
| [ 1 2 3; 4 5 6 ] |
array([[1.,2.,3.], [4.,5.,6.]]) |
| [ a b; c d ] |
vstack([hstack([a,b]), hstack([c,d])]) or bmat('a b; c d') |
| a(end) |
a[-1] |
| a(2,5) |
a[1,4] |
| a(2,:) |
a[1] or a[1,:] |
| a(1:5,:) |
a[0:5] or a[:5] or a[0:5,:] |
| a(end-4:end,:) |
a[-5:] |
| a(1:3,5:9) |
a[0:3][:,4:9] |
| a([2,4,5],[1,3]) |
a[ix_([1,3,4],[0,2])] |
| a(3:2:21,:) |
a[ 2:21:2,:] |
| a(1:2:end,:) |
a[ ::2,:] |
| a(end:-1:1,:) or flipud(a) |
a[ ::-1,:] |
| a([1:end 1],:) |
a[r_[:len(a),0]] |
| a.' |
a.transpose() or a.T |
| a' |
a.conj().transpose() or a.conj().T |
| a * b |
a.dot(b) |
| a .* b |
a * b |
| a./b |
a/b |
| a.^3 |
a**3 |
| (a>0.5) |
(a>0.5) |
| find(a>0.5) |
nonzero(a>0.5) |
| a(:,find(v>0.5)) |
a[:,nonzero(v>0.5)[0]] |
| a(:,find(v>0.5)) |
a[:,v.T>0.5] |
| a(a<0.5)=0 |
a[a<0.5]=0 |
| a .* (a>0.5) |
a * (a>0.5) |
| a(:) = 3 |
a[:] = 3 |
| y=x |
y = x.copy() |
| y=x(2,:) |
y = x[1,:].copy() |
| y=x(:) |
y = x.flatten() |
| 1:10 |
arange(1.,11.) or r_[1.:11.] or r_[1:10:10j] |
| 0:9 |
arange(10.) or r_[:10.] or r_[:9:10j] |
| [1:10]' |
arange(1.,11.)[:, newaxis] |
| zeros(3,4) |
zeros((3,4)) |
| zeros(3,4,5) |
zeros((3,4,5)) |
| ones(3,4) |
ones((3,4)) |
| eye(3) |
eye(3) |
| diag(a) |
diag(a) |
| diag(a,0) |
diag(a,0) |
| rand(3,4) |
random.rand(3,4) |
| linspace(1,3,4) |
linspace(1,3,4) |
| [x,y]=meshgrid(0:8,0:5) |
mgrid[0:9.,0:6.] or meshgrid(r_[0:9.],r_[0:6.] |
| ogrid[0:9.,0:6.] or ix_(r_[0:9.],r_[0:6.] |
|
| [x,y]=meshgrid([1,2,4],[2,4,5]) |
meshgrid([1,2,4],[2,4,5]) |
| ix_([1,2,4],[2,4,5]) |
|
| repmat(a, m, n) |
tile(a, (m, n)) |
| [a b] |
concatenate((a,b),1) or hstack((a,b)) or column_stack((a,b)) |
| [a; b] |
concatenate((a,b)) or vstack((a,b)) or r_[a,b] |
| max(max(a)) |
a.max() |
| max(a) |
a.max(0) |
| max(a,[],2) |
a.max(1) |
| max(a,b) |
maximum(a, b) |
| norm(v) |
sqrt(dot(v,v)) or np.linalg.norm(v) |
| a & b |
logical_and(a,b) |
| a | b |
logical_or(a,b) |
| bitand(a,b) |
a & b |
| bitor(a,b) |
a | b |
| inv(a) |
linalg.inv(a) |
| pinv(a) |
linalg.pinv(a) |
| rank(a) |
linalg.matrix_rank(a) |
| a\b |
linalg.solve(a,b) if a is square; linalg.lstsq(a,b) otherwise |
| b/a |
Solve a.T x.T = b.T instead |
| [U,S,V]=svd(a) |
U, S, Vh = linalg.svd(a), V = Vh.T |
| chol(a) |
linalg.cholesky(a).T |
| [V,D]=eig(a) |
D,V = linalg.eig(a) |
| [V,D]=eig(a,b) |
V,D = np.linalg.eig(a,b) |
| [V,D]=eigs(a,k) |
| [Q,R,P]=qr(a,0) |
Q,R = scipy.linalg.qr(a) |
| [L,U,P]=lu(a) |
L,U = scipy.linalg.lu(a) or LU,P=scipy.linalg.lu_factor(a) |
| conjgrad |
scipy.sparse.linalg.cg |
| fft(a) |
fft(a) |
| ifft(a) |
ifft(a) |
| sort(a) |
sort(a) or a.sort() |
| [b,I] = sortrows(a,i) |
I = argsort(a[:,i]), b=a[I,:] |
| regress(y,X) |
linalg.lstsq(X,y) |
| decimate(x, q) |
scipy.signal.resample(x, len(x)/q) |
| unique(a) |
unique(a) |
| squeeze(a) |
a.squeeze() |
提供CDN加速