本篇内容介绍了“Python下的Matlab函数对应关系是什么”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！ 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() |
“Python下的Matlab函数对应关系是什么”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注天达云网站，小编将为大家输出更多高质量的实用文章！
|