Matlab user 轉 Python 筆記（1）：初遇Numpy

花了兩天看完莫煩老師的視頻網站：莫煩 Python（數據處理），教學簡單易懂，強烈推薦！！但是實戰起來，總是被困在Matlab的思維框架裡面。

直到，淘到了這篇文章！！！ NumPy_for_Matlab_Users - SciPy wiki dump

裡面的 Matlab 和 Python 的命令對照表，簡直神器！！！還沒有熟練 Python 的同學，可以在編程的時候打開這個對照表，突然就能感覺到進步神速！！

下面主要說一下個人的學習心得吧。

以後回顧的時候可以給這篇重寫一個標題：那些年我走過的坑（淚目）

一、工具

下面的代碼練習，使用到的工具是 Jupyter Notebook

如果你使用的是Python的IDE：Anaconda，那麼

打開Jupyter Notebook，啟動一個命令窗口，彈出一個網頁

在以後的操作過程中，請不要關閉命令窗口！！！

新建一個文件夾，專門用作練習。例如，我創建了一個numpy的文件夾。

點擊文件夾numpy進入，新建一個空白文件，用於測試代碼。

輸入代碼的界面如下

Jupyter的好處是，它就像是一張草稿紙，可以反覆修改，直接輸出局部結果！！強烈推薦！！

Shift + Enter（回車） 即可快速運行局部框內的代碼。

下面涉及Python的代碼，都是在Jupyter上完成的。

二、數據

首先，Matlab是專為矩陣設計，所以一般我們用到的數據類型，就是矩陣。

除此之外，我們可能還會用到元胞數組 { }，結構體sturct(）

對比之下，Python的數據類型非常豐富，序列（列表 list 和元組 tuple），映射（如字典dict），集合（set）

可以看到，基礎的Python里，沒有將矩陣作為一個單獨的類別。

為了實現矩陣運算的功能，我們需要引入Python的科學計算庫——Numpy，並且經常會配合Scipy，Pandas 庫一起使用。

NumPy 是一個定義了數值數組和矩陣類型和它們的基本運算的語言擴展。

pandas 是基於 Numpy 構建的含有更高級數據結構和工具的數據分析包。

SciPy 是另一種使用NumPy來做高等數學、信號處理、優化、統計和許多其它科學任務的語言擴展。

這幾個包綜合使用，基本可以覆蓋我們常用的Matlab的計算功能。

由於不是原生的，為了使用這些擴展包，我們需要在文件的開頭引入它們！！

import numpy as np # 引入numpy包，並且以np代指numpy

引入之後，如果我們要使用 numpy 包中定義的方法，

np.array([[1,2,3], [2,3,4]])

np.array ： 首先聲明使用的是 numpy 的包，然後調用 numpy 包中的 array 方法。

假設，numpy 包中有方法 X，X是一個大類，其包含了三種方法x1，x2，x3，如果我想使用方法 x1，調用方法：

np.X.x1()

如果你使用過matlab的GUI，這種層級的調用方式可能會更容易理解。

一開始我就是經常忘記申明 np，不斷報錯，哭死，，，

完整代碼

import numpy as npprint(np.array([[1,2,3], [2,3,4]]))

這樣就構建好一個矩陣啦~~

注意觀察矩陣的形式，和Matlab的區別哦~

三、特殊矩陣生成

分清楚了 Matlab 和 Python 中 矩陣表示 的區別，下面我們就來看一下矩陣生成在Python中是如何實現。這時候就要打開我們的對照表了。

我稍微整理了一下：

（1）建立指定元素的矩陣

np.array([[1.,2.,3.],[4.,5.,6.]])

也可以指定數字的類型

np.array([[1.,2.,3.],[4.,5.,6.]],dtype=int) # 指定元素類型為整數，可省略

（2）建立全 0 的矩陣

np.zeros((3,4)) # 3行4列的全零矩陣

注意，由於zeros（shape，dtype），省略了dtype，所以shape （3,4）外面還有一層括弧。

（3）建立全 1 的矩陣

np.ones((3,4)) # 3行4列的全一矩陣

（4）建立全是n的矩陣

3*np.ones((3,4)) # 生成全是3的矩

（5）建立對角矩陣

np.eye(3) # 3行3列對角為1的矩陣

eye ( 行數，列數【默認=None】，對角線位置【默認=0】)

np.diag((1,2,3)) # 3行3列矩陣，指定對角元素為1,2,3

其他不再列舉。

四、生成規則數列

關於計數的，Python和Matlab的一個重要區別是：

Python 從 0 開始計數； Matlab 從 1 開始計數。

1、生成 1:10

np.arange(1,11,1) # 注意，結尾是11

arange（起點，終點，步長）

或者，

np.r_[1:11:1]

2、生成 0:9

np.arange(10)

或者

np.r_[:10]

3、等分區間（包含起點終點）

np.linspace(1,10,10)

linspace（起點，終點，等分個數）

或者

np.r_[1:10:10j] # 加上起點和終點，等分成10個數字

五、生成隨機數

np.random.rand(3,4) # 生成3行4列的隨機數

六、動態生成矩陣

在不確定矩陣大小的情況下，matlab中比較常用的是定義一個空矩陣，然後合併行/列

方法一、

import numpy as npmylist = [] for item in np.random.rand(3,4): mylist.append(item) # 用一個for循環，不斷在後面添加itemprint(np.array(mylist)) # 用到了np.array()

import numpy as npa=np.empty(shape=[0, 4]) # 定義一個空矩陣 a，行為0，列為4b=np.random.rand(1,4) # 定義一個行為1，列為4的隨機數列bprint(np.append(a,b,axis=0)) # 縱向合併a,b

七、矩陣的描述

1、行列數

np.shape(a)

2、元素總個數

np.size(a) # 區別於matlab的size，等同於length

3、矩陣維度

np.ndim(a) # 二維矩陣，N維矩陣？？

八、矩陣運算

由於Matlab是專為矩陣設計，所以對應元素相乘（非矩陣乘法），我們需要用點乘；

而Python恰好相反，對應元素的加減乘除，無須特殊標識。

如 ，對應元素相乘

a * b

矩陣乘法：

np.dot(a,b)

N次方：

a**3 # 3次方

九、矩陣賦值

由於Python 從 0 開始計數，在指定索引的時候要特別注意！

a[行索引,列索引]=值

或者，我們指定某一條件的數據，統一賦值

a[a>?]=值

其他內容就不再舉例了。

如果大家還有什麼問題，可以留言給我，再做補充。

再貼一遍神器：NumPy_for_Matlab_Users - SciPy wiki dump

好了，今天的內容就到這裡，希望對你有用 ：）

最近工作比較忙，更新會很慢，下次預計更新pandas的內容，同樣 for matlab user~