更新至最新Numpy版本(unfinished)

Author: bat67

5.NumPy-for-Matlab-users/NumPy_for_Matlab_users.md

@@ -1,92 +1,99 @@
 <!-- TOC -->
 
 - [和MATLAB的对比](#和matlab的对比)
-  - [介绍](#介绍)
-  - [一些关键的差异](#一些关键的差异)
-  - [‘array’ 还是 ‘matrix’? 我应该选谁?](#array-还是-matrix-我应该选谁)
-  - [简要的回答](#简要的回答)
-  - [详细的回答](#详细的回答)
-  - [使用Matrix的用户的福音](#使用matrix的用户的福音)
-  - [MATLAB和NumPy粗略的功能对应表](#matlab和numpy粗略的功能对应表)
-  - [一般功能的对应表](#一般功能的对应表)
-  - [线性代数功能对应表](#线性代数功能对应表)
-  - [备注](#备注)
-  - [自定义环境](#自定义环境)
-  - [链接](#链接)
+ - [介绍](#介绍)
+ - [一些关键的差异](#一些关键的差异)
+ - [“array” 还是 “matrix”? 我应该选谁?](#array-还是-matrix-我应该选谁)
+ - [简要的回答](#简要的回答)
+ - [详细的回答](#详细的回答)
+ - [使用Matrix的用户的福音](#使用matrix的用户的福音)
+ - [MATLAB和NumPy粗略的功能对应表](#matlab和numpy粗略的功能对应表)
+ - [一般功能的对应表](#一般功能的对应表)
+ - [线性代数功能对应表](#线性代数功能对应表)
+ - [备注](#备注)
+ - [自定义环境](#自定义环境)
+ - [链接](#链接)
 
 <!-- /TOC -->
 # 和MATLAB的对比
 
-> 原文：[NumPy for Matlab users](https://docs.scipy.org/doc/numpy/user/numpy-for-matlab-users.html#numpy-for-matlab-users-notes)
+> 原文：[NumPy for Matlab users](https://docs.scipy.org/doc/numpy/user/numpy-for-matlab-users.html)
 
 ## 介绍
 
-MATLAB®和 NumPy/SciPy 有很多共同之处。但是也有很多不同之处。创建NumPy和SciPy是为了用Python最自然的方式进行数值和科学计算，而不是 MATLAB® 的克隆版。本章节旨在收集有关两者的差异，主要是为了帮助熟练的MATLAB®用户成为熟练的NumPy和SciPy用户。
+MATLAB®和 NumPy/SciPy 有很多共同之处。但是也有很多不同之处。创建NumPy和SciPy是为了用Python以最自然的方式进行数值和科学计算，而不是 MATLAB® 的克隆版。本章节旨在收集有关两者的差异，主要是为了帮助熟练的MATLAB®用户成为熟练的NumPy和SciPy用户。
 
 ## 一些关键的差异
 
-MATLAB | NumPy
+MATLAB® | NumPy
 ---|---
-在MATLAB®中，基本数据类型是双精度浮点数的多维数组。大多数表达式采用这样的数组并且也返回这样的数据类型，操作这些数组的2-D实例的的方式被设计成或多或少地像线性代数中的矩阵运算一样。 | 在NumPy中，基本类型是多维``数组``。在所有维度(包括2D)上对这些数组的操作都是元素级的操作。对于线性代数，需要使用特定的函数（尽管对于矩阵乘法，可以在python 3.5及以上版本中使用`@`运算符）。
+在MATLAB®中，基本数据类型是双精度浮点数的多维数组。大多数表达式采用这样的数组并且也返回这样的数据类型，操作这些数组的2-D实例的的方式被设计成或多或少地像线性代数中的矩阵运算一样。 | 在NumPy中，基本类型是多维`数组(array)`。在所有维度(包括2D)上对这些数组的操作都是元素级的操作。对于线性代数，需要使用特定的函数（尽管对于矩阵乘法，可以在python 3.5及以上版本中使用`@`运算符）。
 MATLAB®是使用基于1的索引。 使用`a(1)`下标作为元素的初始位置。请参阅[备注](#备注) | Python使用基于0的索引。序列的初始元素使用`a[0]`来查找。
-MATLAB的脚本语言是为做线性代数而创建的。基本矩阵操作的语法很好也很干净，但是用于添加GUI和制作成熟应用程序的API或多或少是事后才想到的。| NumPy基于Python，它从一开始就被设计为一种优秀的通用编程语言。 虽然Matlab的一些数组操作的语法比NumPy更紧凑，但NumPy（由于是Python的附加组件）可以做许多Matlab所不能做的事情，例如将主数组类型子类化为干净地进行数组和矩阵数学运算。
-在 MATLAB® 中，数组具有按值传递的语义，并有一个懒散的写拷贝方案，以防止在真正需要副本之前实际创建副本。使用切片操作复制数组的部分。 | 在NumPy数组，数组只是内存中的引用而已。 切片只是操作数组的视图层面而已。
+MATLAB的脚本语言是为做线性代数而创建的。基本矩阵操作的语法很好也很简洁，但是用于添加GUI和制作成熟应用程序的API或多或少是事后才想到的。| NumPy基于Python，它从一开始就被设计为一种优秀的通用编程语言。 虽然Matlab的一些数组操作的语法比NumPy更紧凑，但NumPy（由于是Python的附加组件）可以做许多Matlab所不能做的事情，例如正确处理矩阵的堆叠操作。
+在 MATLAB® 中，数组具有按值传递的语义，采用延迟的“写时复制”(copy-on-write)模式，以防止在实际需要时创建副本。
+使用切片操作是复制数组的部分。 | 在NumPy数组，在NumPy数组中按引用传递语义。切片操作是数组的视图。
 
-## ‘array’ 还是 ‘matrix’? 我应该选谁?
+## “array” 还是 “matrix”? 我应该选谁?
 
-除了 ``np.ndarray`` 之外，NumPy还提供了一种额外的矩阵类型，你可以在一些现有代码中看到这种类型。想用哪一个呢？
+除了`np.ndarray`之外，NumPy还提供了一种额外的矩阵类型，你可以在一些现有代码中看到这种类型。想用哪一个呢？
+
+由于历史原因，NumPy提供了一种特殊的矩阵类型`np.matrix`，它是ndarray的一个子类，用来做二元运算线性代数运算。您可能会看到一些现有代码中使用它，而不是`np.array`。那么该用哪一个呢？
 
 ### 简要的回答
 
 **使用 arrays.**
 
-- 它们是numpy的标准向量/矩阵/张量类型。许多numpy函数返回的是数组，而不是矩阵。
-- 元素级运算和线性代数运算之间有着明确的区别。
-- 如果你愿意，可以使用标准向量或行/列向量。
+* 它们是numpy的标准向量/矩阵/张量类型。许多numpy函数返回的是数组，而不是矩阵。
+* 元素级运算和线性代数运算之间有着明确的区别。
+* 如果你愿意，可以使用标准向量或行/列向量。
+
+直到Python3.5，使用数组类型的唯一缺点是你必须使用`dot`而不是`*`来将两个张量(标量乘积、矩阵向量乘法等)相乘。从 Python3.5 之后，你就可以使用矩阵乘法运算`@`。
 
-直到Python3.5，使用数组类型的唯一缺点是你必须使用 ``dot`` 而不是 ``*`` 来将两个张量(标量乘积、矩阵向量乘法等)相乘(减少)。从 Python3.5 之后，你就可以使用矩阵乘法 ``@`` 运算符。
+综上所述，我们打算最终弃用`matrix`类型。
 
 ### 详细的回答
 
-NumPy包含 ``array`` 类和 ``Matrix`` 类。 ``array`` 类旨在成为用于多种数值计算的通用n维数组，而 ``matrix`` 类则专门用于促进线性代数计算。实际上，两者之间只有少数几个关键区别。
-
-- 操作符 ``*``, ``dot()``, 和 ``multiply()``:
- - 对于数组， ``*`` 表示逐元素乘法，而 ``dot()`` 函数用于矩阵乘法。
- - 对于矩阵， ``*`` 表示矩阵乘法， ``multiply()`` 函数用于逐元素乘法。
-- 矢量处理（一维数组）
- - 对于数组，向量形状1xN，Nx1和N都是不同的东西。像A [:,1]这样的操作返回形状N的一维数组，而不是形状Nx1的二维数组。一维数组上的转置不起任何作用。
- - 对于矩阵，一维数组总是向上转换为1xN或Nx1矩阵（行或列向量）。A [:,1] 返回形状为Nx1的二维矩阵。
-- 处理更高维数组（ndim> 2）
- - 数组对象的维数可以> 2;
- - 矩阵对象总是具有两个维度。
-- 便捷的属性
- - ``array``有一个.T属性，它返回数据的转置。
- - ``矩阵``还具有.H，.I和.A属性，分别返回矩阵的共轭转置，反转和 ``asarray()``。
-- 便捷的构造器
- - ``数组``构造函数接受(嵌套的)Pythonseqxues作为初始化器。如 ``array([1,2,3], [4,5,6])``。
- - ``矩阵``构造器另外采用方便的字符串初始化器（传入的参数是字符串）。如 ``matrix("[1 2 3; 4 5 6]")``。
+NumPy包含`array`类和`Matrix`类。`array`类旨在成为用于多种数值计算的通用n维数组，而`matrix`类则专门用于促进线性代数计算。实际上，两者之间只有少数几个关键区别。
+
+* 操作符`*`、`@`，函数`dot()`，和`multiply()`：
+ * 对于数组，`*`表示元素乘，而`@`表示矩阵乘；它们有相关的函数`multiply()`和`dot()`。（在python 3.5之前，@不存在，必须使用点`dot()`来进行矩阵乘法）。
+ * 对于矩阵，`*`表示矩阵乘法，`multiply()`函数用于逐元素乘法。
+* 矢量处理（一维数组）
+ * 对于数组，向量形状1xN，Nx1和N都是不同的东西。像`A [:,1]`这样的操作返回形状N的一维数组，而不是形状Nx1的二维数组。一维数组上的转置不起任何作用。
+ * 对于矩阵，一维数组总是向上转换为1xN或Nx1矩阵（行或列向量）。`A[:,1]`返回形状为Nx1的二维矩阵。
+* 处理更高维数组（ndim> 2）
+ * 数组对象的维数可以 >2；
+ * 矩阵对象总是具有两个维度。
+* 便捷的属性
+ * 数组有一个.T属性，它返回数据的转置。
+ * 矩阵还具有.H，.I和.A属性，分别返回矩阵的共轭转置，反转和`asarray()`。
+* 便捷的构造器
+ * 数组构造函数接受(嵌套的)Pythonseqxues作为初始化器。如`array([1,2,3], [4,5,6])`。
+ * 矩阵构造器另外采用方便的字符串初始化器（传入的参数是字符串）。如`matrix("[1 2 3; 4 5 6]")`。
 
 使用这两种方法有好处也有坏处：
 
-- 数组
- - `:)` 你可以将一维数组视为行或列向量。dot(A, v)将v视为列向量，而 ``dot(v，A)``将``v``视为行向量。这可以让你少传入许多的转置。
- - `:(` 必须使用 dot() 函数进行矩阵乘法是很麻烦的 – ``dot(dot(A,B),C)`` vs. ``A*B*C``. 这不是Python> = 3.5的问题，因为``@``运算符允许它写成``A @ B @ C``.
- - `:)` 元素乘法很容易，直接：``A*B`` 就好.
- - `:)` ``array``是 "默认" 的NumPy类型，因此它获得的支持最多，并且大量的NumPy的第三方包都使用了这个类型。
- - `:)` 它可以更稳定的处理任意数量级的数据。
- - `:)` 如果是熟悉的话，其实它的语义更接近张量代数。
- - `:)` 所有的运算符 (``*``, ``/``, ``+``, ``-``) 都是元素级别的。
-- 矩阵
- - `:\\`行为更像MATLAB®矩阵。
- - `<:(` 它的维度最大为二维，如果你想保存三维数据，你需要数组或者一个矩阵列表。
- - `<:(` 它的维度最少也是二维，你不能有向量还必须将它们转换为单列或单行矩阵。
- - `<:(` 由于 ``array`` 类型是NumPy中的默认类型，因此即使你将``矩阵``作为参数传入，某些函数也可能返回一个 ``array``类型。
-在NumPy的内部函数中应该没有出现可以接受矩阵作为参数的情况（如果有，那它可能是一个bug），但基于NumPy的第三方包可能不像NumPy那样遵守类型规则。
- - `:)` ``A*B`` 是矩阵乘法，因此线性代数更方便(对于Python >= 3.5 的版本，普通数组与 ``@`` 运算符具有同样的方便性)。
- - `<:(` 元素级乘法要求调用乘法函数： ``multiply(A,B)``。
- - `<:(` 操作符重载的使用有点不合逻辑：元素级别中``*``运算符并不会生效， 但是``/``运算符却可以。
-
-因此使用``array``是更为可取的。
+* 数组
+ * `:)` 元素乘法很简单：`A*B`
+ * `:(` 你必须记住矩阵乘法有它自己的运算符:`@`
+ * `:)` 你可以将一维数组视为行或列向量。`A @ v`将`v`视为列向量，`v @ A`将`v`视为行向量。这可以节省输入大量的转置操作。
+ * `:)` `array`是默认的NumPy类型，因此它得到的测试最多，并且是使用NumPy的第三方代码最有可能返回的类型
+ * `:)` 能处理任意数量维度的数据
+ * `:)` 它的语义更接近张量代数（如果读者对此很熟悉的话）
+ * `:)` 所有的运算符 (``*``, ``/``, ``+``, ``-``) 都是元素级别的。
+ * `:(` `scipy.sparse`中的稀疏矩阵不能很好地与数组交互。
+
+* 矩阵
+ * `:\\` 行为更像MATLAB®矩阵。
+ * `<:(` 它的维度最大为二维，如果你想保存三维数据，你需要数组或者一个矩阵列表。
+ * `<:(` 它的维度最少也是二维，你不能有向量。它们必须将转换为单列或单行矩阵。
+ * `<:(` 由于`array`类型是NumPy中的默认类型，因此即使你将矩阵作为参数传入，某些函数也可能返回一个 `array`类型。这种情况不应该发生在NumPy函数中(如果发生了，那就是一个bug)，但是基于NumPy的第三方代码可能不像NumPy那样遵守类型保存。
+ * `:)` `A*B`是矩阵乘法，因此线性代数更方便(对于Python >= 3.5 的版本，普通数组与`@`运算符具有同样的方便性)。
+ * `<:(` 元素级乘法要求调用乘法函数：`multiply(A,B)`。
+ * `<:(` 操作符重载的使用有点不合逻辑：元素级别中`*`运算符并不会生效， 但是`/`运算符却可以。
+ * `:)` 与`scipy.sparse`交互更简介一点
+
+因此，使用数组要明智得多。事实上，我们打算最终弃用矩阵类型。
 
 ## 使用Matrix的用户的福音