人工智能之数据分析 numpy：第十三章 工具衔接与迁移

咚咚王
35 阅读5分钟

人工智能之数据分析 numpy

第十三章 工具衔接与迁移

前言

NumPy 作为 Python 科学计算的核心库，不仅功能强大，还与众多工具无缝衔接。本文从两个关键方向系统讲解：

一、从 MATLAB 到 NumPy：语法对照与迁移指南

MATLAB 用户迁移到 NumPy 时，最大的挑战是​思维转换​（从矩阵中心到数组中心）和​语法差异​。以下是核心对照表。

✅ 基本原则

  • NumPy 使用 ndarray，不是 matrix → 所有运算默认是逐元素​的
  • ​**矩阵乘法用 @ 或 np.dot()**​，不是 *
  • ​索引从 0 开始​，不是 1
  • ​切片不复制数据​（视图机制）

1. 数组创建对照

MATLABNumPy说明
a = [1, 2, 3]a = np.array([1, 2, 3])行向量
b = [1; 2; 3]b = np.array([[1], [2], [3]]) 或 b = np.array([1,2,3]).reshape(-1,1)列向量
zeros(2,3)np.zeros((2,3))注意：元组参数
ones(2,3)np.ones((2,3))
eye(3)np.eye(3)单位矩阵
linspace(0,1,5)np.linspace(0,1,5)相同
rand(2,3)np.random.rand(2,3)均匀分布 [0,1)
A(:)A.flatten() 或 A.ravel()展平为一维

💡 MATLAB 的 [1,2,3] 是行向量，NumPy 的 np.array([1,2,3]) 是一维数组（无行列之分），但在广播中可视为行或列。

2. 索引与切片

MATLABNumPy说明
A(2,3)A[1,2]索引从 0 开始
A(2,:)A[1,:]第 2 行
A(:,3)A[:,2]第 3 列
A(2:end, :)A[1:, :]从第 2 行到末尾
A([1,3], :)A[[0,2], :]花式索引（注意：返回副本）
A(A>0.5)A[A>0.5]布尔索引（相同！）

⚠️ MATLAB 的 end 在 NumPy 中用 -1 表示：

  • A(:, end) → A[:, -1]
  • A(2:end-1, :) → A[1:-1, :]

3. 运算与函数

操作MATLABNumPy
矩阵乘法A * BA @ B 或 np.dot(A, B)
逐元素乘法A .* BA * B
转置A.'（非共轭）A'（共轭转置）A.T（总是非共轭）A.conj().T（共轭转置）
求逆inv(A)np.linalg.inv(A)
解方程A \ bnp.linalg.solve(A, b)
特征值[V,D] = eig(A)eigvals, eigvecs = np.linalg.eig(A)
FFTfft(x)np.fft.fft(x)
最大值max(A)（按列）np.max(A, axis=0)
拼接[A, B]（水平）[A; B]（垂直）np.hstack([A,B])``np.vstack([A,B])

4. 控制流与脚本结构

  • MATLAB 脚本 → Python 脚本（.py 文件）
  • MATLAB 函数文件 → Python 函数（def func(...):）
  • MATLAB 的 clear, clc → ​不需要​（Python 自动管理内存）
% MATLAB
function y = myfunc(x)
    y = x.^2 + 2*x + 1;
end

# Python
def myfunc(x):
    return x**2 + 2*x + 1

5. 常见陷阱与解决方案

问题MATLAB 行为NumPy 行为解决方案
A * B矩阵乘法逐元素乘法用 A @ B
向量维度明确区分行/列一维数组无行列需要列向量时用 .reshape(-1,1)
整数除法5/2 = 2.55/2 = 2.5（Python 3）无问题
索引越界报错报错相同
默认浮点类型doublefloat64相同

二、NumPy 与 Matplotlib：科学可视化黄金组合

Matplotlib 是 Python 最主流的绘图库，与 NumPy ​天然集成​。

1. 基础绘图流程

import numpy as np
import matplotlib.pyplot as plt

# 1. 用 NumPy 生成数据
x = np.linspace(0, 2*np.pi, 100)
y = np.sin(x)

# 2. 用 Matplotlib 绘图
plt.plot(x, y, label='sin(x)')
plt.xlabel('x')
plt.ylabel('y')
plt.title('Sine Wave')
plt.legend()
plt.grid(True)
plt.show()

✅ 关键点：​Matplotlib 直接接受 NumPy 数组作为输入​，无需转换。

2. 常见图表与 NumPy 数据

(1) 散点图（Scatter）

x = np.random.randn(100)
y = np.random.randn(100)
colors = np.random.rand(100)
sizes = 1000 * np.random.rand(100)

plt.scatter(x, y, c=colors, s=sizes, alpha=0.5)
plt.colorbar()
plt.show()

(2) 图像显示（imshow）

# 生成 2D 数组（如热力图、图像）
data = np.random.rand(10, 10)

plt.imshow(data, cmap='hot', interpolation='nearest')
plt.colorbar()
plt.show()

(3) 直方图

data = np.random.normal(0, 1, 1000)
plt.hist(data, bins=30, alpha=0.7)
plt.show()

(4) 3D 曲面（需 mpl_toolkits）

from mpl_toolkits.mplot3d import Axes3D

x = np.linspace(-5, 5, 50)
y = np.linspace(-5, 5, 50)
X, Y = np.meshgrid(x, y)  # ← 广播生成网格！
Z = np.sin(np.sqrt(X**2 + Y**2))

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.plot_surface(X, Y, Z, cmap='viridis')
plt.show()

🔥 np.meshgrid() 是连接 NumPy 与 2D/3D 绘图的关键函数！

3. 高级技巧：结构化数组 + Matplotlib

# 结构化数据
dt = np.dtype([('city', 'U10'), ('temp', 'f4'), ('humidity', 'f4')])
weather = np.array([
    ('Beijing', 30.0, 40.0),
    ('Shanghai', 35.0, 70.0),
    ('Guangzhou', 33.0, 80.0)
], dtype=dt)

# 绘制温度柱状图
plt.bar(weather['city'], weather['temp'])
plt.ylabel('Temperature (°C)')
plt.show()

4. 性能提示

  • ​避免循环绘图​：一次性传入整个数组 
    # ❌ 慢
for i in range(len(x)):
    plt.plot(x[i], y[i], 'o')

# ✅ 快
plt.plot(x, y, 'o')
  • ​大数据集​：使用 plt.plot(..., rasterized=True) 或降采样

三、其他重要工具衔接

工具与 NumPy 的关系
PandasDataFrame 底层是 NumPy 数组；df.values 返回 ndarray
SciPy基于 NumPy，提供高级科学计算（优化、积分、信号处理等）
scikit-learn输入要求为 (n_samples, n_features) 的 NumPy 数组
TensorFlow / PyTorch张量可与 NumPy 数组互转（.numpy(),torch.from_numpy()）
OpenCV图像即 NumPy 数组（H×W×C），可直接操作像素

四、迁移 checklist（MATLAB → NumPy）

  • 将 * 改为 @（矩阵乘法）
  • 索引减 1（A(1,:) → A[0,:]）
  • 用 np.zeros((m,n)) 而非 zeros(m,n)
  • 用 np.linalg.solve(A,b) 代替 A\b
  • 用 np.arange() 或 np.linspace() 代替 :
  • 用 np.newaxis 或 reshape 处理维度
  • 用 np.save() / np.load() 代替 save / load

总结

  • ​MATLAB → NumPy​：语法相似但细节差异大，重点注意索引、乘法、维度
  • ​NumPy + Matplotlib​：科学可视化的标准组合，数组即数据，无需转换
  • ​生态协同​：NumPy 是整个 Python 科学栈的基石，与 Pandas、SciPy、深度学习框架无缝集成

📌 ​建议​：新项目直接使用 NumPy + Matplotlib + Jupyter Notebook，体验远超 MATLAB！

后续

本文主要讲述了numpy数据持久化。python过渡项目部分代码已经上传至gitee，后续会逐步更新，主要受时间原因限制，当然自己也可以克隆到本地学习拓展。

资料关注

公众号：咚咚王 gitee：gitee.com/wy185850518…

《Python编程：从入门到实践》 《利用Python进行数据分析》 《算法导论中文第三版》 《概率论与数理统计（第四版） (盛骤) 》 《程序员的数学》 《线性代数应该这样学第3版》 《微积分和数学分析引论》 《（西瓜书）周志华-机器学习》 《TensorFlow机器学习实战指南》 《Sklearn与TensorFlow机器学习实用指南》 《模式识别（第四版）》 《深度学习 deep learning》伊恩·古德费洛著 花书 《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》 《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》 《自然语言处理综论 第2版》 《Natural-Language-Processing-with-PyTorch》 《计算机视觉-算法与应用(中文版)》 《Learning OpenCV 4》 《AIGC：智能创作时代》杜雨+&+张孜铭 《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》 《从零构建大语言模型（中文版）》 《实战AI大模型》 《AI 3.0》

avatar
文章
阅读
粉丝