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

MATLAB	NumPy	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

MATLAB	NumPy	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	MATLAB	NumPy
矩阵乘法	`A * B`	`A @ B` 或 `np.dot(A, B)`
逐元素乘法	`A .* B`	`A * 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 \ b`	`np.linalg.solve(A, b)`
特征值	`[V,D] = eig(A)`	`eigvals, eigvecs = np.linalg.eig(A)`
FFT	`fft(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 = 2.5`	`5/2 = 2.5`（Python 3）	无问题
索引越界	报错	报错	相同
默认浮点类型	`double`	`float64`	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
Pandas	DataFrame 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：https://gitee.com/wy18585051844/ai_learning

《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》

posted on 2025-11-24 18:10 咚咚王者阅读(0) 评论(0) 收藏举报

刷新页面返回顶部