Pythonnumpy和matlab的几点差异介绍

2024-04-02 19:55

短信预约 -IT技能 免费直播动态提醒

numpy和matlab的几点差异

Python numpy和matlab都是便捷灵活的科学计算语言，两者具有很多相似之处，但也有一些混淆的地方，这里假定你熟悉matlab，但不了解numpy，记录几个numpy实例：

1、Numpy数组索引指定开始和结束时

不包括结束，也即下面的b和c是一样的。

a = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
b = a[:2, 1:2]
c = a[:2, 1]

2、Numpy.ndarray切片的修改会引起原矩阵的修改

这与matlab不同。

a = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
b = a[:2, 1:3]
# [[2 3]
#  [6 7]]
print(a[0, 1])   # Prints "2"
b[0, 0] = 77     # b[0, 0] is the same piece of data as a[0, 1]
print(a[0, 1])   # Prints "77"

3、numpy使用切片索引（例如1:2）不会产生降维

而使用整数索引（例如1）会产生降维。

import numpy as np
a = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
row_r1 = a[1, :]    # Rank 1 view of the second row of a
row_r2 = a[1:2, :]  # Rank 2 view of the second row of a
print(row_r1, row_r1.shape)  # Prints "[5 6 7 8] (4,)"
print(row_r2, row_r2.shape)  # Prints "[[5 6 7 8]] (1, 4)"
col_r1 = a[:, 1]
col_r2 = a[:, 1:2]
print(col_r1, col_r1.shape)  # Prints "[ 2  6 10] (3,)"
print(col_r2, col_r2.shape)  # Prints "[[ 2]
                             #          [ 6]
                             #          [10]] (3, 1)"

4、不同于matlab

numpy的转置对于1维数组的操作不发生变化。

v = np.array([1,2,3])
print(v)    # Prints "[1 2 3]"
print(v.T)  # Prints "[1 2 3]"

5、不同matlab对于矩阵预算要求大小一致

Numpy broadcasting直接支持操作（加减乘除等），要求前一个矩阵的最后一维度大小和待操作矩阵的大小相同。

x = np.array([[1,2,3], [4,5,6], [7,8,9], [10, 11, 12]])
v = np.array([1, 0, 1])
y = x + v  # Add v to each row of x using broadcasting
print(y)  # Prints "[[ 2  2  4]
          #          [ 5  5  7]
          #          [ 8  8 10]

python与matlab的优缺点

如果要问我选哪个，我会建议两个都选。很多人喜欢拿python和matlab对比，然后得出哪个更好的结论。其实吧，够用就好。

如果是学生，或者研究人员，比如研究信号处理，那么用matlab比较好，有大量现成工具箱和前人的成果可以借鉴。如果是产品化项目，那么python比较好，可以做web后台，可以打包成应用程序，效率相对matlab也要高那么一点点。如果是信号、数据方面的工程人员，建议还是两个都掌握吧，也不复杂，都是脚本式的语言，比C++什么的易学多了。

下面从两者各自的应用做个对比。