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
```python
❌ 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》
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/70048224/viewspace-3103244/ ，如需转载，请注明出处，否则将追究法律责任。
