文章源自《<a href=”http://mathesaurus.sourceforge.net/matlab-numpy.html” target=”_blank”>NumPy for MATLAB user</a>》。**
本文目录
[TOC]
1. 算术运算
| MATLAB | Python | 描述 | 备注 |
|---|---|---|---|
| a.^b | np.power(a,b) a**b | a的b次方 | |
| rem(a,b) | a % b np.remainder(a,b) np.fmod(a,b) | 取余，模运算 | |
| factorial(a) | np.math.factorial(a) math.factorial(a) | a的阶乘 | math是未经优化的Python标准库，而np.math是经过优化的，速度相对更快。 |
2. 关系运算
| MATLAB | Python | 描述 | 备注 |
|---|---|---|---|
| a ~= b | a != b | 判断a和b是否不等 |
3. 逻辑运算
| MATLAB | Python | 描述 | 备注 |
|---|---|---|---|
| a && b | a and b | 单一元素与运算 | 只适应一个元素 |
| a || b | a or b | 单一元素或运算 | 只适应一个元素 |
| a & b and(a,b) | np.logical_and(a,b) a and b | 多元素与运算 | |
| a | b or(a,b) | np.logical_or(a,b) a or b | 多元素或运算 | |
| xor(a,b) | np.logical_xor(a,b) | 异或运算 | |
| ~a not(a) | np.logical_not(a) not a !a | 非运算 | <font color=’red’>适用对象待更新</font> |
| any(a) | any(a) | 存在非零元素就返回true | len(np.nonzero(a)[0])>0 |
| all(a) | all(a) | 所有元素不为零才返回true | len(np.nonzero(a)[0])>0 |
4. 根运算与对数运算
| MATLAB | Python | 描述 | 备注 |
|---|---|---|---|
| sqrt(a) | math.sqrt(a) np.sqrt(a) | 平方根 | MATLAB中一个数，默认是1*1的矩阵。所以MATLAB中对单元素和多元素处理是通用的。而Python中，数和数组在定义上是进行了区分的。此处自带的math标准库仅适用处理单一元素，NumPy中方法既适用于处理单元素（数），也适用于处理多元素（数组）。 |
| log(a) | math.log(a) np.log(a) | 自然对数，底为e | 同上 |
| log10(a) | math.log10(a) np.log10(a) | 底数为10 | 同上 |
| log2(a) | math.log(a,2) np.log(a,2) | 底数为2 | 同上 |
| exp(a) | math.exp(a) np.exp(a) | 常数e的a次方 | 同上 |
5. 去尾运算
| MATLAB | Python | 描述 | 备注 |
|---|---|---|---|
| round(a) | np.around(a) round(a) | 四舍五入 | 见例1 |
| ceil(a) | math.ceil(a) np.ceil(a) | 向上（更大的数）取整，注意不是收尾法，因为要考虑负数 | MATLAB和Python-math得到的是整数，Python得到的是处理了尾数的小数 |
| floor(a) | math.floor(a) np.floor(a) | 向下（更小的数）取整，注意不是去尾法，因为要考虑负数 | 同上 |
| fix(a) | np.fix(a) | 向0取整 | 返回一个array |
#例1-Python
>>> a = 9.8
>>> round(a)
10
>>> np.around(a)
10.0
%例1-MATLAB
>> a = 9.8
>> round(a)
ans =
10
6. 数学常量
| MATLAB | Python | 描述 | 备注 |
|---|---|---|---|
| pi | math.pi np.pi | pi = 3.141592653589793 | |
| exp(1) | math.e math.exp(1) np.e np.exp(1) | e=2.718281828459045 e=2.718281828459045 e=2.718281828459045 e=2.7182818284590451 |
7. 向量
| MATLAB | Python | 描述 | 备注 |
|---|---|---|---|
| a=[2 3 4 5] | a=np.array([2,3,4,5]) | 行向量 | |
| a’ | a.T a.reshape(-1,1) | 向量的转置 |
8. 序列
| MATLAB | Python | 描述 | 备注 |
|---|---|---|---|
| 1:10 | list(range(1,11)) np.arange(1,11) | MATLAB和Python1：[1,2,3,4,5,7,8,9,10] Python2：array([1,2,3,4,5,6,7,8,9,10]) | |
| 1:3:10 | np.arange(1,11,3) | 1,4,7,10 | |
| 10:-1:1 | np.arange(10,0,-1) | 10,9,8,7,6,5,4,3,2,1 | |
| 10:-3:1 | np.arange(10,0,-3) | 10,7,4,1 | |
| linspace(1,10,7) | np.linspace(1,10,7) | matlab: [1.0, 2.5, 4.0, 5.5, 7.0, 8.5, 10.0] Python: array([1.0, 2.5, 4.0, 5.5, 7.0, 8.5, 10.0]) | 参数依次为：起点，终点，点的个数。此函数是将起点到终点之间的距离均匀分段。 |
| a(:)=3 | a.fill(3) a[:]=3 | 将所有元素的值都赋为3 |
9. 拼接矩阵
| MATLAB | Python | 描述 | 备注 |
|---|---|---|---|
| a=[1,2,3; 4,5,6] | a=np.array([[1,2,3],[4,5,6]]) | ||
| [a,a] | np.concatenate((a,a), axis=1) | 见例2 | |
| [a;a] | np.concatenate((a,a), axis=0) | 见例2 |
<font color=”red” face=”Times” size=”3″>例2-MATLAB</font>
>> a=[1,2,3; 4,5,6]
a =
1 2 3
4 5 6
>> [a, a]
ans =
1 2 3 1 2 3
4 5 6 4 5 6
>> [a;a]
ans =
1 2 3
4 5 6
1 2 3
4 5 6
<font color=”red” face=”Times” size=”3″>例2-Python</font>
>>> a=np.array([[1,2,3],[4,5,6]])
>>> a
array([[1, 2, 3],
[4, 5, 6]])
>>> np.concatenate((a,a))
array([[1, 2, 3],
[4, 5, 6],
[1, 2, 3],
[4, 5, 6]])
>>> np.concatenate((a,a), axis=0)
array([[1, 2, 3],
[4, 5, 6],
[1, 2, 3],
[4, 5, 6]])
>>> np.concatenate((a,a), axis=1)
array([[1, 2, 3, 1, 2, 3],
[4, 5, 6, 4, 5, 6]])
附
该文章于2017年5月25日于CSDN上首次发表，2017年12月22日搬家至此！
