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()
以上为个人经验，希望能给大家一个参考，也希望大家多多支持。
查看更多关于关于Python下的Matlab函数对应关系(Numpy)的详细内容...
声明：本文来自网络，不代表【好得很程序员自学网】立场，转载请注明出处：http://haodehen.cn/did15911