پایتون (نامپای) برای کاربران متلب و متلب برای کاربران پایتون

help func

info(func) یا help(func)

راهنما مربوط به یک تابع (func)

which func

-

جهت یافتن محلی که تابع func تعریف شده است

type func

np.source(func) 

چاپ متن کد تابع func 

% comment

# comment

نحوه نوشتن نظر (کامنت) در کد متناظر با هر یک از زبانها

for i=1:3
    fprintf('%i\n',i)
end

for i in range(1, 4):
   print(i)

نحوه چاپ اعداد 1 الی 3 با استفاده از یک حلقه فور (به نحوه نوشتن مقادیر شروع و پایان حلقه در هر یک از زبان ها دقت کنید)

a && b

a and b

نحوه نوشتن AND

a || b

a or b

نحوه نوشتن OR

>> 4 == 4
ans = 1
>> 4 == 5
ans = 0

>>> 4 == 4
True
>>> 4 == 5
False

دستورات منطقی

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')

استفاده از دستور if

1*i, 1*j, 1i, 1j

1j

نحوه نوشتن عدد مختلط

eps

np.finfo(float).eps یا

np.spacing(1)

کوچکترین مقدار فاصله بین دو مقدار عدد حقیقی double precision

load data.mat

io.loadmat('data.mat')

بارگذاری اطلاعات در فرمت دات مت

ode45

integrate.solve_ivp(f)

حل یک معادله دیفرانسیل به صورت : integrate an ODE with Runge-Kutta 4,5

ode15s

integrate.solve_ivp(f, method='BDF')

حل یک معادله دیفرانسیل به صورت : integrate an ODE with BDF method

ndims(a)

np.ndim(a) یا

a.ndim

تعداد ابعاد آرایه a

numel(a)

np.size(a) یا

a.size

تعداد المان های آرایه a

size(a)

np.shape(a) یا

a.shape

اندازه و شکل آرایه a

size(a,n)

a.shape[n-1]

تعداد المان های بعد nام آرایه a

[ 1 2 3; 4 5 6 ]

np.array([[1., 2., 3.], [4., 5., 6.]])

تعریف یک ماتریس 2 در 3

[ a b; c d ]

np.block([[a, b], [c, d]])

ساخت یک ماتریس از چهار بلوک مختلف a، b، c و d

a(end)

a[-1]

آخرین المان از a

a(2,5)

a[1, 4]

المان سطر دوم و ستون پنجم

a(2,:)

a[1] یا

a[1, :]

سطر دوم

a(1:5,:)

a[0:5] یا

a[:5] یا

a[0:5, :]

انتخاب المانهای موجود در سطرهای 1 الی 5 و همه ستونها

a(end-4:end,:)

a[-5:]

5 سطر نهایی از آرایه a

a(1:3,5:9)

a[0:3, 4:9]

انتخاب سطور اول تا سوم و ستونهای پنجم تا نهم در آرایه a

a([2,4,5],[1,3])

a[np.ix_([1, 3, 4], [0, 2])]

انتخاب المانهای محل تلاقی سطور 2، 4 و 5 و ستونهای 1 و 3

a(3:2:21,:)

a[2:21:2,:]

انتخاب سطرهای 3 الی 21 با افزایش پلکانی 2 تایی

a(1:2:end,:)

a[::2, :]

سطور فرد از آرایه a

a(end:-1:1,:) یا

flipud(a)

a[::-1,:]

معکوس کردن ترتیب سطور

a([1:end 1],:)

a[np.r_[:len(a),0]]

ماتریس a به صورتی که سطر اول آن به انتهایش چسبانده شده است.

a.'

a.transpose() یا

a.T

ترنسپوز کردن ماتریس

a'

a.conj().transpose() یا

a.conj().T

کانجوگیت ترنسپوز ماتریس

a * b

a @ b

ضرب ماتریسی

a .* b

a * b

ضرب ماتریسی به صورت المان به المان

a./b

a/b

تقسیم المان به المان ماتریسی

a.^3

a**3

به توان رساندن المان به المان ماتریسی

(a > 0.5)

(a > 0.5)

تعیین آن که کدام یک از درایه های ماتریس a بزرگتر از 0.5 هستند.

find(a > 0.5)

np.nonzero(a > 0.5)

اندیس المانهایی از a که از 0.5 بزرگتر هستند را بیاب

a(:,find(v > 0.5))

a[:,np.nonzero(v > 0.5)[0]]

پیدا کردن ستونهایی که به ازای آن بردار v از 0.5 بزرگتر است

a(:,find(v>0.5))

a[:, v.T > 0.5]

پیدا کردن ستونهایی که به ازای آن بردار v از 0.5 بزرگتر است

a(a<0.5)=0

a[a < 0.5]=0

صفر کردن هر المانی که از 0.5 کمتر باشد

a .* (a>0.5)

a * (a > 0.5)

صفر کردن هر المانی که از 0.5 کمتر باشد

a(:) = 3

a[:] = 3

همه المانها را برابر با یک مقدار خاص قرار ده

y=x

y = x.copy()

معادل مقداردهی متلب در پایتون (این مورد نیاز به تشریح نحوه مقدار دهی در پایتون دارد که در مقاله ای جداگانه بدان پرداخته خواهد شد.)

y=x(2,:)

y = x[1, :].copy()

معادل اسلایسینگ متلب در پایتون (این مورد نیاز به تشریح نحوه مقدار دهی در پایتون دارد که در مقاله ای جداگانه بدان پرداخته خواهد شد.)

y=x(:)

y = x.flatten()

تبدیل آرایه به بردار

1:10

np.arange(1., 11.) یا

 np.r_[1.:11.] یا

 np.r_[1:10:10j]

ساخت یک بردار افزایشی

0:9

np.arange(10.) یا

 np.r_[:10.] یا

 np.r_[:9:10j]

ساخت یک بردار افزایشی

[1:10]'

np.arange(1.,11.)[:, np.newaxis]

ساخت یک بردار افزایشی ستونی

zeros(3,4)

np.zeros((3, 4))

ساخت یک آرایه دو بعدی ساخته شده از صفر (فلوتینگ پوینت 64 بیت)

zeros(3,4,5)

np.zeros((3, 4, 5))

ساخت یک آرایه سه بعدی ساخته شده از صفر (فلوتینگ پوینت 64 بیت)

ones(3,4)

np.ones((3, 4))

ساخت یک آرایه دو بعدی ساخته شده از 1 (فلوتینگ پوینت 64 بیت)

eye(3)

np.eye(3)

ساخت یک ماتریس که قطر آن برابر با یک است

diag(a)

np.diag(a)

مقادیر قطر ماتریس

diag(v,0)

np.diag(v, 0)

ماتریسی مربعی که همه المان های آن صفر بوده، به جز قطر که برابر با v است

rng(42,'twister')
rand(3,4)

from numpy.random import default_rng
rng = default_rng(42)
rng.random(3, 4)

ورژن قدیمیتر: random.rand((3, 4))

یک ماتریس 3 در 4 رندم با seed برابر با 42

linspace(1,3,4)

np.linspace(1,3,4)

چهار مقدار با فاصله گذاری برابر بین اعداد 1 و 3

[x,y]=meshgrid(0:8,0:5)

np.mgrid[0:9.,0:6.] یا

 np.meshgrid(r_[0:9.],r_[0:6.])

ساخت مشگرید

ogrid[0:9.,0:6.] یا

 np.ix_(np.r_[0:9.],np.r_[0:6.]

the best way to eval functions on a grid

[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])

the best way to eval functions on a grid

repmat(a, m, n)

np.tile(a, (m, n))

ساخت تکراری از ماتریس a به تعداد m در راستای سطر و n در راستای ستون

[a b]

np.concatenate((a,b),1) یا

 np.hstack((a,b)) یا

 np.column_stack((a,b)) یا

np.c_[a,b]

چسباندن ماتریس b به سمت راست ماتریس a

[a; b]

np.concatenate((a,b)) یا

 np.vstack((a,b)) یا

 np.r_[a,b]

چسباندن ماتریس b به زیر ماتریس a

max(max(a))

a.max() یا

np.nanmax(a)

تعیین مقدار بزرگترین المان آرایه a

max(a)

a.max(0)

ماکزیمم هر ستون 

max(a,[],2)

a.max(1)

ماکزیمم هر سطر

max(a,b)

np.maximum(a, b)

ماکزیمم بین دو مقدار

norm(v)

np.sqrt(v @ v) یا

np.linalg.norm(v)

L2 norm of vector v

a & b

logical_and(a,b)

عملگر and به صورت المان به المان

a | b

np.logical_or(a,b)

عملگر or به صورت المان به المان

bitand(a,b)

a & b

اپراتور bitwise AND 

bitor(a,b)

a | b

اپراتور bitwise OR 

inv(a)

linalg.inv(a)

معکوس یک آرایه دو بعدی

pinv(a)

linalg.pinv(a)

شبه-معکوس یک آرایه 2 بعدی

rank(a)

np.linalg.matrix_rank(a)

رنک ماتریس a

a\b

a مربعی:

linalg.solve(a, b) 

درغیر این صورت:

linalg.lstsq(a, b) 

راه حل معادله a x = b برای x

b/a

Solve a.T x.T = b.T instead

راه حل معادله x a = b برای x

[U,S,V]=svd(a)

U, S, Vh = linalg.svd(a); V = Vh.T

singular value decomposition of a

chol(a)

linalg.cholesky(a)

Cholesky factorization یک آرایه 2 بعدی

[V,D]=eig(a)

D,V = linalg.eig(a)

eigenvalues 𝜆 و eigenvectors 𝑣 آرایه a, که در آن 𝑎𝑣=𝜆𝑣

[V,D]=eig(a,b)

D,V = linalg.eig(a, b)

eigenvalues 𝜆 و eigenvectors 𝑣 آرایه a, b که در آن 𝑎𝑣=𝜆𝑏𝑣

[V,D]=eigs(a,3)

D,V = eigs(a, k=3)

find the k=3 largest eigenvalues and eigenvectors of 2D array, a

[Q,R]=qr(a,0)

Q,R = linalg.qr(a)

QR decomposition

[L,U,P]=lu(a)

 where a==P'*L*U

P,L,U = linalg.lu(a) 

where a == P@L@U

LU decomposition with partial pivoting (note: P(MATLAB) == transpose(P(NumPy)))

conjgrad

cg

conjugate gradients solver

fft(a)

np.fft.fft(a)

تبدیل فوریه a

ifft(a)

np.fft.ifft(a)

معکوس تبدیل فوریه a

sort(a)

np.sort(a) یا

a.sort(axis=0)

مرتب سازی المانهای ستون آرایه a 

sort(a, 2)

np.sort(a, axis=1) یا

a.sort(axis=1)

مرتب سازی المانهای سطری آرایه a 

[b,I]=sortrows(a,1)

I = np.argsort(a[:, 0]); b = a[I,:]

save the array a as array b with rows sorted by the first column

x = Z\y

x = linalg.lstsq(Z, y)

رگرسیون خطی به فرم 𝑍𝑥=𝑦

decimate(x, q)

signal.resample(x, np.ceil(len(x)/q))

downsample با فیلترینگ پایین گذر

unique(a)

np.unique(a)

مقادیر منحصر به فرد در آرایه a

squeeze(a)

a.squeeze()

remove singleton dimensions of array a. Note that MATLAB will always return arrays of 2D or higher while NumPy will return arrays of 0D or higher