对MATLAB用户的Python介绍

当我们从学术界进入工业界时，尤其是工程师，我们面临一个很常见的问题，即我们主要学习过时或接近过时的技术。例如，许多学校仍在使用MATLAB。在工程领域中，无论是化学工程师、电气工程师还是纳米工程师，每个人都必须使用MATLAB。

但是最近，我们可以看到企业正在从MATLAB转向Python。这可能是由于多种原因：

1000美元的许可成本
内存分配效率低下
缺乏开源库
讨厌MATLAB的语法。

希望从MATLAB转向Python的人不必担心，因为它们的语法几乎相似。

让我们着重介绍适用于MATLAB用户的Python基础知识，重点是数据分析和可视化。

面向矩阵用户的功能

Numpy包含一些特性，使得使用矩阵类型更加简单，这可以帮助MATLAB用户进行转换。

现在有一个包含流行数组构造函数的矩阵模块 matlib

zeros(), ones(), empty(), rand(), eye(), and repmat()

现在可以将数组转换为矩阵而不复制数据，因为mat是asmatrix的同义词，而非矩阵。
有一些顶级函数被淘汰了。例如， numpy.rand() 必须访问为 numpy.random.rand() 。或者，可以使用matlib模块的 rand() 方法。然而，使用 numpy.random.random() ，它与其他numpy函数一样，接受一个元组作为形状，是”numpythonic”的方法。

对于理解简单MATLAB语法的人，我们可以使用以下内容−

mat = np.matrix('2,6,3;  0,2,5;  1,7,4')

但在Python逻辑中，我们使用向量或列表。因此，以下语法将是等效的 –

mat = np.matrix([[2,6,3], [0,2,5], [1,7,4]])

使用Python语言的语法，我们可以轻松遍历并获取值。

例如,

示例

如果我们想要获取第一个值，即 (0,0)，我们可以简单地写成 mat[0,0]

import numpy as np
mat = np.matrix([
   [2,6,3],
   [0,2,5],
   [1,7,4]
])
print(mat[0,0])

输出

示例

第一列可以通过 mat[:, 0] 进行访问 –

import numpy as np
mat = np.matrix([
   [2,6,3],
   [0,2,5],
   [1,7,4]
])
print(mat[: , 0])

输出

[[2]
[0]
[1]]

示例

仅访问第一行-。

import numpy as np
mat = np.matrix([
   [2,6,3],
   [0,2,5],
   [1,7,4]
])
print(mat[0,:])

输出

[[2 6 3]]

MATLAB-NumPy 等效函数

子矩阵

可以使用索引列表使用 ix_ 命令将数据赋值给子矩阵。

例如，可以输入以下内容：

index=[1,2];
matrix[np.ix_(index,index)]+=100

对于二维数组矩阵。

示例

import numpy as np
mat = np.matrix([
   [2,6,3],
   [0,2,5],
   [1,7,4]
])
index=[1,2];
mat[np.ix_(index,index)]+=100
print(mat)

输出

[[ 2 6 3]
[ 0 102 105]
[ 1 107 104]]

帮助

虽然MATLAB缺乏直接等价的 _ which_ 命令，但 source 和 help命令经常显示函数存储位置的文件名。

此外，Python包括一个 inspect模块（使用这个模块，导入inspect），它提供了一个通常功能上等价的getfile。

索引

任何数组/序列的第一个元素的索引为1，因为MATLAB使用以1为基准的索引。

任何数组/序列的第一个元素的索引为0，因为Python使用以0为基准的索引。

范围

在Python中，像0:5这样的构造只能用作切片索引；而在MATLAB中，0:5既可以用作”切片”索引（在方括号内），也可以用作范围字面量（在括号内）。

因此，为了使NumPy能够有一个类似简洁的范围创建方法，开发了 r_ object这个异常对象。

由于对象是使用方括号进行索引而不是像函数或函数Object() {[native code]}进行调用，因此可以在参数中使用切片语法。

逻辑运算

在MATLAB中，|和&分别是逻辑或和逻辑与，而在NumPy中，&或|是按位与和按位或。

有相当编程知识的人应该能够区分其差异。

尽管这两个运算符似乎具有相同的功能，但存在着重大的差异。

Numpy和MATLAB中&和|运算符之间的一些关键区别如下：

形式为0,1的非逻辑输入：Numpy的输出=输入的按位与。
MATLAB返回逻辑与，并将除0以外的任何值视为1。例如，Numpy中的(3&4)返回0，而MATLAB中的(3&4)返回1，因为3和4都被视为逻辑真。
MATLAB的&运算符优先级低于诸如小于<和大于>这样的逻辑运算符；Numpy的优先级相反。

如果您确定参数是布尔值，请使用Numpy的按位运算符，但在使用括号时要小心，如下例所示。

z = (x > 1) & (x 2)

Python设计中一个不可取的副作用是NumPy缺乏逻辑与和逻辑或运算符形式。

重塑和线性索引

MatLAB通过使用线性或标量索引来访问多维数组，而NumPy不支持这种操作。

在MatLAB程序中，经常使用线性索引。

在转换MatLAB代码时，可能需要首先将矩阵重塑为线性序列，执行一些基于索引的操作，然后再次重塑它。

由于重塑（通常）创建对同一存储的视图，这应该能够相当快地完成。值得注意的是，当使用reshape函数时，MatLAB使用Fortran顺序，而NumPy默认使用C顺序。如果只是从一个线性序列转换为另一个线性序列，这是无关紧要的。

数据绘图

最后，当我们想要可视化数据时，绘图是很重要的。Python的Matplotlib函数提供了一组重要的函数来执行绘图操作。

import numpy as np
import matplotlib.pyplot as pltlib
mat = np.matrix([[1,1,1],[2,4,6],[5,7,6]])
pltlib.plot(mat[:,1])
pltlib.plot(mat[:,0])
pltlib.title('MATLAB Plot')
pltlib.xlabel('X-Axis')
pltlib.ylabel('Y-Axis')
pltlib.show()

对MATLAB用户的Python介绍