Python 和 MatLAB 矩阵/向量操作和语法对照一览表

off999 2024-10-14 12:14 29 浏览 0 评论

本文中python 操作矩阵和向量用 Numpy 工具包，因此首先要导入 numpy；Matlab正常启动即可，矩阵和向量操作是其内置的核心工具。

import numpy as np

创建向量

	MATLAB	PYTHON
一般矩阵	A = [1 2;3 4]	A = np.array([[1,2],[3,4]])
2*2 的 0 矩阵	A = zeros(2,2)	A = np.zeros((2,2))
2*2 的 1 矩阵	A = ones(2,2)	A = np.ones((2,2))
2*2 的单位矩阵	A = eyes(2,3)	A = np.eys(2)
对角矩阵	A = diag([1 2 3])	A = np.diag([1,2,3])
均匀随机数矩阵	A = rand(2,2)	A = np.random.rand(2,2)
正态随机数矩阵	A = randn(2,2)	A = np.random.randn(2,2)
创建稀疏矩阵	A = sparse(2,2) A(1,2) = 4 A(2,2) = 1	from scipy.sparse import coo_matrix A = coo_matrix(([4,1],([0,1],[1,1])), shape=(2,2))
创建三角矩阵	A = [1 2 3 NaN; 4 5 6 7; NaN 8 9 0] spdiags(A',[-1 0 1], 4, 4)	import sp.sparse as sp diagonals = [[4, 5, 6, 7], [1, 2, 3], [8, 9, 10]] sp.diags(diagonals, [0, -1, 2]).toarray()

	MATLAB	PYTHON
矩阵装置	A.'	A.T
复共轭矩阵装置	A‘	A.conj()
两个矩阵横向拼接，即行连接	A = [[1 2] [1 2]] 或者 A = horzcat([1 2], [1 2])	B = np.array([1, 2]) A = np.hstack((B, B))
两个矩阵纵向拼接，即列连接	A = [[1 2]; [1 2]] 或者 A = vertcat([1 2], [1 2])	B = np.array([1, 2]) A = np.vstack((B, B))
矩阵行列重构	10个元素组成的一维矩阵转换为5行2列， A = reshape(1:10, 5, 2)	A = A.reshape(5, 2)
矩阵转换为向量	A(:)	A = A.flatten()
矩阵左右翻转	fliplr(A)	np.fliplr(A)
矩阵上下翻转	flipud(A)	np.flipdu(A)
重复矩阵（行重复3次，列重复4次）	repmat(A, 3, 4)	np.tile(A, (4, 3))
给向量或矩阵预先分配内存	x = rand(10) y = zeros(size(x, 1), size(x, 2)) （可以是N/A这样的数据类型）	x = np.random.rand(3, 3) y = np.empty_like(x) # new dims y = np.empty((2, 3))
作用于数据集/矩阵/向量的函数	f = @(x) x.^2 g = @(x, y) x + 2 + y.^2 x = 1:10 y = 2:11 f(x) g(x, y)	def f(x): return x2 def g(x, y): return x + 2 + y2 x = np.arange(1, 10, 1) y = np.arange(2, 11, 1) f(x) g(x, y)

	MATLAB	PYTHON
求点积	dot(A,B)	np.dot(A,B) 或者 A @ B
矩阵的乘法	A * B	A @ B
占位矩阵的乘法，（即其中一个矩阵是空的）	无	x = np.array([1, 2]).reshape(2, 1) A = np.array(([1, 2], [3, 4])) y = np.empty_like(x) np.matmul(A, x, y)
元素的智能乘法（elementwise multiplication）	A.*B	A * B
矩阵的幂运算	A^2	np.linalg.matrix_power(A, 2)
矩阵元素的幂运算	A.^2	A ** 2
求逆矩阵	inv(A) 或者 A^(-1)	np.linalg.inv(A)
矩阵的决定值	det(A)	np.linalg.det(A)
矩阵的特征值和特征向量	[vec, val] = eig(A)	val, vec = np.linalg.eig(A)
欧几里德范数	norm(A)	np.linalg.norm(A)
线性方程求解	（Ax = b，其中A为n*n矩阵） A\b	（Ax = b，其中A为n*n矩阵） np.linalg.solve(A, b)
最小二乘法求解	（Ax = b，其中A为m*n矩阵） A\b	（Ax = b，其中A为m*n矩阵） np.linalg.lstsq(A, b)

	MATLAB	PYTHON
求每一列的sum/max/min	sum(A, 1) max(A, [], 1) min(A, [], 1)	sum(A, 0) np.amax(A, 0) np.amin(A, 0)
求每一行的sum/max/min	sum(A, 2) max(A, [], 2) min(A, [], 2)	sum(A, 1) np.amax(A, 1) np.amin(A, 1)
整个矩阵的sum/max/min	sum(A(:)) max(A(:)) min(A(:))	np.sum(A) np.amax(A) np.amin(A)
每一行的sum/max/min的累计值	cumsum(A, 1) cummax(A, 1) cummin(A, 1)	np.cumsum(A, 0) np.maximum.accumulate(A, 0) np.minimum.accumulate(A, 0)
每一列的sum/max/min的累计值	cumsum(A, 2) cummax(A, 2) cummin(A, 2)	np.cumsum(A, 1) np.maximum.accumulate(A, 1) np.minimum.accumulate(A, 1)

	MATLAB	PYTHON
注释行	% This is a comment	# This is a comment
注释块	%{ Comment block %}	# Block # comment # following PEP8
For 循环	for i = 1:N % 做什么 end	for i in range(n): # 做什么
while 循环	while i <= N % 做什么 end	while i <= N: # 做什么
if	if i <= N % 做什么 end	if i <= N: #做什么
if / else	if i <= N % 做A件事 else % 做其他事 end	if i <= N: % 做A件事 else % 做其他事 end
打印文本和变量	x = 10 fprintf('x = %d \n', x)	x = 10 print(f'x = {x}')
匿名函数	f = @(x) x^2	f = lambda x: x**2
函数	function out = f(x) out = x^2 end	def f(x): return x**2
元组	t = {1 2.0 "test"} t{1}	t = (1, 2.0, "test") t[0]
命名元组/匿名结构	m.x = 1 m.y = 2 m.x	from collections import namedtuple mdef = namedtuple('m', 'x y') m = mdef(1, 2) m.x
函数调用	a = 2.0 f = @(x) a + x f(1.0)	a = 2.0 def f(x): return a + x f(1.0)
函数占位修改	无	def f(x): x **=2 return x = np.random.rand(10) f(x)