Matlab和Python的对比学习(二) 之 数组矩阵

Python的数组、矩阵、列表创建

总的来说，就是不能像matlab那样直接创建数组(一维矩阵、向量)：[1,2]，这样的结果是列表。

1.数组是Python扩展库Numpy中的一种数据结构ndarray；矩阵是同样是Python扩展库Numpy中的一种数据结构mat；列表可以存储数组和矩阵。

获取它们属性的函数与方式

2.同时我们常常需要查看列表、数组和矩阵的属性，如size、shape、len

其中len()：返回对象的长度，可以作用于列表、数组和矩阵：len(list([1,2,3]))

size()和shape()是Numpy扩展库中才用的函数：

size()：计算所有数据的个数，同样可以作用于列表、数组和矩阵：np.size(np.array([1,2,3]))，Matlab里是numel

shape():得到数据每维的大小，同样可以作用于列表、数组和矩阵：np.shape(np.array([1,2,3]))，Matlab里是size

不同于len，shape和size还可以作为数组和矩阵的属性（列表不行），使用方法如下：a.shape、a.size

更详细的可以参考：
(60条消息) Python3中的列表、数组和矩阵及*、np.dot和np.multiply解析_等等登登-Ande的博客-CSDN博客

(60条消息) Python 与 Matlab 矩阵操作对应表_SongpingWang的博客-CSDN博客

(60条消息) matlab和python运算对比_hi_cwy的博客-CSDN博客

(60条消息) python的列表，数组和矩阵_py中列表和矩阵的存储方式_johnjim0816的博客-CSDN博客

(60条消息) python数组和矩阵用法_wxyld的博客-CSDN博客

Matlab和Python中reshape函数的对比 

3.记录下matlab中的reshape函数和python中的reshape函数

首先是python中的reshape

例子1：很正常的reshape，reshape还可以多维，不止二维

>>> c=np.array([[2,3,4],[5,6,7]])
>>> c
array([[2, 3, 4],
       [5, 6, 7]])
       
>>> c=c.reshape(3,2)
>>> c
array([[2, 3],
       [4, 5],
       [6, 7]])

例子2：

>>> import numpy as np
>>> import pandas as pd
>>> c=np.array([[2,3,4],[5,6,7]])
>>> c=c.reshape(2,-2) ##这里的-2是模糊控制，这里的负数是模糊控制，负数可以为任何数。比如 reshape(2,-1),固定两行，多少列系统根据元素数量自动计算好；同理，reshape(-2,2): 固定两列，行数自动计算好。
>>> c
array([[2, 3, 4],
       [5, 6, 7]])

当然还可以这样调用：第二种：np.reshape(a, 矩阵维度数，矩阵行数，矩阵列数)

另外！！关于python的这个函数如何取数排列：
y=a.reshape(3,2,order='C')#C按行取数按行放数
y=a.reshape(3,2,order='F')#F按列取数按列放数
 

matlab reshape() 函数

语法是 A = reshape（A，m，n）； 或者 A = reshape（A，[m,n]）; 都是将A 的行列排列成m行n列。reshape是 按照列取数据的

另外类似python的-1模糊功能有：只用[]来自动计算

例子：

为第一个维度指定 [] 以使 reshape 自动计算合适的行数。

A = magic(4)
B = reshape(A,[],2)%将一个 4×4 方阵重构为一个 2 列矩阵

 Python 和 MATLAB的数据存储方式

例如：
序列 A = [1,2,3,4]，用Matlab 和 Python 分别reshape为2*2大小：
Matlab中 reshape(A, [2 2])， 得到 [[1 3] [2 4]] —— 优先列存储
Python中 A.reshape(2,2)，    得到[[1 2] [3 4]] —— 优先行存储

 所以假如A是一个图片的数据一维向量，那么在两个软件中塑形得到的二维图像是不一样的，需要转置等操作！

详细操作对应表