hatechatのブログ

変換メモ

`% comment`	`# comment`	コード行をテキストでコメント化する`comment`
for i=1:3 fprintf('%i\n',i) end	for i in range(1, 4): print(i)	for ループを使用して数値 1、2、3 を出力します。`range`
`a && b`	`a and b`	短絡論理 AND 演算子 ( Python ネイティブ演算子)。スカラー引数のみ
`a \|\| b`	`a or b`	短絡論理 OR 演算子 ( Python ネイティブ演算子)。スカラー引数のみ
>> 4 == 4 ans = 1 >> 4 == 5 ans = 0	>>> 4 == 4 True >>> 4 == 5 False	MATLAB の論理型であるおよびとは対照的に、 Python のブールオブジェクトは`True`およびです。`False10`
a=4 if a==4 fprintf('a = 4\n') elseif a==5 fprintf('a = 5\n') end	a = 4 if a == 4: print('a = 4') elif a == 5: print('a = 5')	if-else ステートメントを作成してが`a`4 か 5 かをチェックし、結果を出力します
`1i`、、、、`1j`_ `1i`_`1j`	`1j`	複素数
`eps`	`np.finfo(float).eps`または`np.spacing(1)`	1 から倍精度で表現可能な次に大きな実数までの距離
`load data.mat`	`io.loadmat('data.mat')`	ファイルに保存された MATLAB 変数を読み込みます`data.mat`。(注: `data.mat`MATLAB/Octave で配列を保存する場合は、最新のバイナリ形式を使用してください。`scipy.io.loadmat` 保存された配列と詳細情報を含む辞書が作成されます。)
`ode45`	`integrate.solve_ivp(f)`	ODE を Runge-Kutta 4,5 と統合する
`ode15s`	`integrate.solve_ivp(f, method='BDF')`	ODE と BDF メソッドを統合する

`ndims(a)`	`np.ndim(a)`または`a.ndim`	配列の次元数`a`
`numel(a)`	`np.size(a)`または`a.size`	配列の要素数`a`
`size(a)`	`np.shape(a)`または`a.shape`	配列の「サイズ」`a`
`size(a,n)`	`a.shape[n-1]`	array の n 次元の要素の数を取得します`a`。(MATLAB は 1 ベースのインデックスを使用するのに対し、Python は 0 ベースのインデックスを使用することに注意してください。INDEXINGを参照してください。)
`[ 1 2 3; 4 5 6 ]`	`np.array([[1., 2., 3.], [4., 5., 6.]])`	2x3 2D 配列を定義する
`[ a b; c d ]`	`np.block([[a, b], [c, d]])`	`a`ブロック、`b`、`c`、およびから行列を構築します。`d`
`a(end)`	`a[-1]`	MATLAB ベクトル (1xn または nx1) または 1D NumPy 配列 `a`(長さ n)の最後の要素にアクセスします
`a(2,5)`	`a[1, 4]`	2D 配列の 2 行目、5 列目の要素にアクセスします`a`
`a(2,:)`	`a[1]`または `a[1, :]`	2D 配列の 2 行目全体`a`
`a(1:5,:)`	`a[0:5]`または、`a[:5]`または`a[0:5, :]`	2D 配列の最初の 5 行`a`
`a(end-4:end,:)`	`a[-5:]`	2D 配列の最後の 5 行`a`
`a(1:3,5:9)`	`a[0:3, 4:9]`	2D 配列の 1 行目から 3 行目、5 列目から 9 列目まで`a`。
`a([2,4,5],[1,3])`	`a[np.ix_([1, 3, 4], [0, 2])]`	これにより、行列を変更できるようになり、通常のスライスは必要なくなります。
`a(3:2:21,:)`	`a[2:21:2,:]`	の 1 行おき`a`(3 行目から 21 行目まで)
`a(1:2:end,:)`	`a[::2, :]`	`a`最初から始まるの1 行おき
`a(end:-1:1,:)` または`flipud(a)`	`a[::-1,:]`	`a`行を逆順に配置
`a([1:end 1],:)`	`a[np.r_[:len(a),0]]`	`a`最初の行のコピーが最後に追加される
`a.'`	`a.transpose()`または`a.T`	転置する`a`
`a'`	`a.conj().transpose()`または`a.conj().T`	の共役転置`a`
`a * b`	`a @ b`	行列の乗算
`a .* b`	`a * b`	要素ごとの乗算
`a./b`	`a/b`	要素ごとの除算
`a.^3`	`a**3`	要素ごとのべき乗
`(a > 0.5)`	`(a > 0.5)`	i,j 番目の要素が (a_ij > 0.5) である行列。MATLAB の結果は、論理値 0 と 1 の配列です。NumPy の結果は、ブール値`False`との配列です`True`。
`find(a > 0.5)`	`np.nonzero(a > 0.5)`	`a`( > 0.5)となるインデックスを見つけます。
`a(:,find(v > 0.5))`	`a[:,np.nonzero(v > 0.5)[0]]`	`a`ベクトル v > 0.5の列を抽出します
`a(:,find(v>0.5))`	`a[:, v.T > 0.5]`	`a`列ベクトル v > 0.5の列を抽出します。
`a(a<0.5)=0`	`a[a < 0.5]=0`	`a`0.5 未満の要素はゼロアウトされます
`a .* (a>0.5)`	`a * (a > 0.5)`	`a`0.5 未満の要素はゼロアウトされます
`a(:) = 3`	`a[:] = 3`	すべての値を同じスカラー値に設定します
`y=x`	`y = x.copy()`	NumPy は参照によって割り当てます
`y=x(2,:)`	`y = x[1, :].copy()`	NumPy スライスは参照によるものです
`y=x(:)`	`y = x.flatten()`	配列をベクトルに変換します (これによりコピーが強制されることに注意してください)。MATLAB と同じデータ順序を取得するには、を使用します`x.flatten('F')`。
`1:10`	`np.arange(1., 11.)`または、`np.r_[1.:11.]`または `np.r_[1:10:10j]`	増加するベクトルを作成します ( RANGES の注記を参照)
`0:9`	`np.arange(10.)`または、 `np.r_[:10.]`または `np.r_[:9:10j]`	増加するベクトルを作成します ( RANGES の注記を参照)
`[1:10]'`	`np.arange(1.,11.)[:, np.newaxis]`	列ベクトルを作成する
`zeros(3,4)`	`np.zeros((3, 4))`	64 ビット浮動小数点ゼロでいっぱいの 3x4 の 2 次元配列
`zeros(3,4,5)`	`np.zeros((3, 4, 5))`	64 ビット浮動小数点ゼロでいっぱいの 3x4x5 の 3 次元配列
`ones(3,4)`	`np.ones((3, 4))`	64 ビット浮動小数点配列でいっぱいの 3x4 の 2 次元配列
`eye(3)`	`np.eye(3)`	3x3 単位行列
`diag(a)`	`np.diag(a)`	2D 配列の対角要素のベクトルを返します。`a`
`diag(v,0)`	`np.diag(v, 0)`	非ゼロ値がベクトルの要素である正方対角行列を返します。`v`
rng(42,'twister') rand(3,4)	from numpy.random import default_rng rng = default_rng(42) rng.random(3, 4) または古いバージョン:`random.rand((3, 4))`	デフォルトの乱数ジェネレーターとシード = 42 を使用してランダムな 3x4 配列を生成します。
`linspace(1,3,4)`	`np.linspace(1,3,4)`	1 から 3 までの 4 つの等間隔のサンプル
`[x,y]=meshgrid(0:8,0:5)`	`np.mgrid[0:9.,0:6.]`または`np.meshgrid(r_[0:9.],r_[0:6.])`	2 つの 2D 配列: x 値の 1 つ、y 値のもう 1 つ
	`ogrid[0:9.,0:6.]`または`np.ix_(np.r_[0:9.],np.r_[0:6.]`	グリッド上の関数を評価する最良の方法
`[x,y]=meshgrid([1,2,4],[2,4,5])`	`np.meshgrid([1,2,4],[2,4,5])`
	`np.ix_([1,2,4],[2,4,5])`	グリッド上の関数を評価する最良の方法
`repmat(a, m, n)`	`np.tile(a, (m, n))`	～の m × n 個のコピーを作成する`a`
`[a b]`	`np.concatenate((a,b),1)`または`np.hstack((a,b))`または `np.column_stack((a,b))`または`np.c_[a,b]`	`a`との列を連結する`b`
`[a; b]`	`np.concatenate((a,b))`または、`np.vstack((a,b))`または`np.r_[a,b]`	`a`との行を連結する`b`
`max(max(a))`	`a.max()`または`np.nanmax(a)`	の最大要素`a`(MATLAB の ndims(a)<=2 では、NaN がある場合、`nanmax`これらを無視して最大値を返します)
`max(a)`	`a.max(0)`	配列の各列の最大要素`a`
`max(a,[],2)`	`a.max(1)`	配列の各行の最大要素`a`
`max(a,b)`	`np.maximum(a, b)`	`a`要素ごとに比較し`b`、各ペアの最大値を返します。
`norm(v)`	`np.sqrt(v @ v)`または`np.linalg.norm(v)`	ベクトルの L2 ノルム`v`
`a & b`	`logical_and(a,b)`	要素ごとの AND 演算子 (NumPy ufunc)注を参照 LOGICOPS
`a \| b`	`np.logical_or(a,b)`	要素ごとの OR 演算子 (NumPy ufunc)注を参照 LOGICOPS
`bitand(a,b)`	`a & b`	ビットごとの AND 演算子 (Python ネイティブおよび NumPy ufunc)
`bitor(a,b)`	`a \| b`	ビットごとの OR 演算子 (Python ネイティブおよび NumPy ufunc)
`inv(a)`	`linalg.inv(a)`	正方 2D 配列の逆`a`
`pinv(a)`	`linalg.pinv(a)`	2D 配列の擬似逆配列`a`
`rank(a)`	`np.linalg.matrix_rank(a)`	2D 配列の行列ランク`a`
`a\b`	`linalg.solve(a, b)`が正方形の場合`a`; さもないと`linalg.lstsq(a, b)`	x に対する ax = b の解
`b/a`	代わりに解決してください`a.T x.T = b.T`	x に対する xa = b の解
`[U,S,V]=svd(a)`	`U, S, Vh = linalg.svd(a); V = Vh.T`	の特異値分解`a`
`chol(a)`	`linalg.cholesky(a)`	2D 配列のコレスキー分解
`[V,D]=eig(a)`	`D,V = linalg.eig(a)`	固有値 $λ$ と固有ベクトル $v$ の`a`、ここで $a v = λ v$
`[V,D]=eig(a,b)`	`D,V = linalg.eig(a, b)`	固有値 $λ$ と固有ベクトル $v$ の `a`、`b` ここで $a v = λ b v$
`[V,D]=eigs(a,3)`	`D,V = eigs(a, k=3)`	`k=3`2D配列の最大の固有値と固有ベクトルを見つけます。`a`
`[Q,R]=qr(a,0)`	`Q,R = linalg.qr(a)`	QR分解
`[L,U,P]=lu(a)`どこ`a==P'LU`	`P,L,U = linalg.lu(a)`どこ`a == P@L@U`	部分ピボットを使用した LU 分解 (注: P(MATLAB) == transpose(P(NumPy)))
`conjgrad`	`cg`	共役勾配ソルバー
`fft(a)`	`np.fft.fft(a)`	のフーリエ変換`a`
`ifft(a)`	`np.fft.ifft(a)`	逆フーリエ変換`a`
`sort(a)`	`np.sort(a)`または`a.sort(axis=0)`	2D 配列の各列をソートし、`a`
`sort(a, 2)`	`np.sort(a, axis=1)`または`a.sort(axis=1)`	2D配列の各行をソートし、`a`
`[b,I]=sortrows(a,1)`	`I = np.argsort(a[:, 0]); b = a[I,:]`	配列を最初の列でソートされた行を含む`a`配列として保存します`b`
`x = Z\y`	`x = linalg.lstsq(Z, y)`	次の形式の線形回帰を実行します $Z x = y$
`decimate(x, q)`	`signal.resample(x, np.ceil(len(x)/q))`	ローパスフィルタリングによるダウンサンプリング
`unique(a)`	`np.unique(a)`	配列内の固有の値のベクトル`a`
`squeeze(a)`	`a.squeeze()`	array のシングルトン次元を削除します`a`。MATLAB は常に 2D 以上の配列を返しますが、NumPy は 0D 以上の配列を返すことに注意してください。

hatechatのブログ

test

■