Question

以下八度音程代码使用Octave / Matlab

显示示例3D矩阵

octave:1> A=zeros(3,3,3);
octave:2> 
octave:2> A(:,:,1)= [[1 2 3];[4 5 6];[7 8 9]];
octave:3> 
octave:3> A(:,:,2)= [[11 22 33];[44 55 66];[77 88 99]];
octave:4> 
octave:4> A(:,:,3)= [[111 222 333];[444 555 666];[777 888 999]];
octave:5> 
octave:5> 
octave:5> A
A =

ans(:,:,1) =

   1   2   3
   4   5   6
   7   8   9

ans(:,:,2) =

   11   22   33
   44   55   66
   77   88   99

ans(:,:,3) =

   111   222   333
   444   555   666
   777   888   999

octave:6> A(1,3,2)
ans =  33

我需要使用numpy转换相同的矩阵...不幸的是当我尝试使用numpy中的数组访问相同的索引时，我得到不同的值，如下所示!!

import numpy as np
array = np.array([[[1 ,2 ,3],[4 ,5 ,6],[7 ,8 ,9]], [[11 ,22 ,33],[44 ,55 ,66],[77 ,88 ,99]], [[111 ,222 ,333],[444 ,555 ,666],[777 ,888 ,999]]])
>>> array[0,2,1]
8

此外，我还阅读了以下文档，该文档显示了Matlab中的矩阵实现与Python numpy Numpy for Matlab users中的矩阵实现之间的区别，但我没有找到示例3d数组并将其映射到Matlab，反之亦然！

答案是不同的，例如在Matlab中访问元素（1,3,2）与使用numpy（0,2,1）

的相同索引不匹配

八度/ Matlab的

八度：6个A（1,3,2）

ans = 33

的Python

＆GT;＆GT;＆GT;阵列[0,2,1]

8

Answer 1

你的数组在numpy中的构造方式与在MATLAB中的不同。

你的MATLAB数组是(y, x, z)，你的numpy数组是(z, y, x)。你的3d numpy阵列是一系列堆积的＆＃39; 2d阵列，因此您可以在＆＃34;外部＆gt;内部＆＃34; （因为没有更好的术语）。这里扩展了你的数组定义，所以这（希望）更有意义：

[[[1, 2, 3],
  [4, 5, 6],        # Z = 0
  [7 ,8 ,9]],
 [[11 ,22 ,33],
  [44 ,55 ,66],     # Z = 1
  [77 ,88 ,99]],
 [[111 ,222 ,333],
  [444 ,555 ,666],  # Z = 2
  [777 ,888 ,999]]
]

所以：

import numpy as np

A = np.array([[[1 ,2 ,3],[4 ,5 ,6],[7 ,8 ,9]], [[11 ,22 ,33],[44 ,55 ,66],[77 ,88 ,99]], [[111 ,222 ,333],[444 ,555 ,666],[777 ,888 ,999]]])
B = A[1, 0, 2]

B按预期返回33。

如果您想要一种不那么令人费解的方法来索引数组，请考虑像在MATLAB中那样生成它。

Answer 2

我认为问题是你在numpy中创建矩阵的方式以及matlab和numpy的不同表示，为什么你不在matlab和numpy中使用相同的系统

>>> A = np.zeros((3,3,3),dtype=int)
>>> A
array([[[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]],

       [[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]],

       [[0, 0, 0],
        [0, 0, 0],
        [0, 0, 0]]])
>>> A[:,:,0] = np.array([[1,2,3],[4,5,6],[7,8,9]])
>>> A[:,:,1] = np.array([[11,22,33],[44,55,66],[77,88,99]])
>>> A[:,:,2] = np.array([[111,222,333],[444,555,666],[777,888,999]])
>>> A
array([[[  1,  11, 111],
        [  2,  22, 222],
        [  3,  33, 333]],

       [[  4,  44, 444],
        [  5,  55, 555],
        [  6,  66, 666]],

       [[  7,  77, 777],
        [  8,  88, 888],
        [  9,  99, 999]]])
>>> A[0,2,1]
33

Answer 3

MATLAB和Python索引不同。为了对此进行调查，我们创建一个数字1到8的线性数组，然后reshape结果为2 - by - 2 - by-每种语言都有2矩阵：

MATLAB：

M_flat = 1:8
M = reshape(M_flat, [2,2,2])

返回

M =

ans(:,:,1) =

   1   3
   2   4

ans(:,:,2) =

   5   7
   6   8

的Python：

import numpy as np
P_flat = np.array(range(1,9))
P = np.reshape(P, [2,2,2])

返回

array([[[1, 2],
        [3, 4]],

       [[5, 6],
        [7, 8]]])

首先要注意的是前两个维度已经切换。这是因为MATLAB使用列主索引，这意味着我们首先倒数列，而Python使用行主索引，因此它首先计算行数。

现在让我们尝试索引它们。所以让我们尝试沿着不同的维度切片。在MATLAB中，我知道可以从第三维中获得切片

M(:,:,1)

ans =

   1   3
   2   4

现在让我们在Python中尝试相同的

P[:,:,0]

array([[1, 3],
       [5, 7]])

所以这完全不同。要获得MATLAB“等效”，我们需要去

P[0,:,:]

array([[1, 2],
       [3, 4]])

现在这将返回MATLAB版本的转置，这是由于行主要与列主要差异所预期的。

那么这对索引意味着什么呢？看起来Python把主要指标放在MALTAB的反向的末尾。

假设我在MATLAB中索引如下

M(1,2,2)

ans = 

    7

现在从Python获取7我们应该去

P(1,1,0)

这是反转的MATLAB语法。请注意，这是相反的，因为我们创建了Python矩阵，并考虑了行主要排序。如果你像在代码中那样创建它，则必须交换最后2个索引，而不是像Ander在评论中建议的那样首先正确地创建矩阵。

Answer 4

我认为python使用这种类型的索引来创建数组，如下图所示：

https://www.google.com.eg/search?q=python+indexing+arrays+numpy&biw=1555&bih=805&source=lnms&tbm=isch&sa=X&ved=0ahUKEwia7b2J1qzOAhUFPBQKHXtdCBkQ_AUIBygC#imgrc=7JQu1w_4TCaAnM%3A

并且，有很多方法可以存储您的数据，您可以选择订单=＆＃39; F＆＃39;首先按照matlab计算列数，而默认值是order =＆＃39; C＆＃39;首先计算行....

Answer 5

我认为，不仅仅是将差异称为“ row major”或“ column major”是numpy描述它们的方式：

“ C”表示使用类似C的索引顺序读取/写入元素，最后一个轴索引更改最快，回到第一个轴索引更改最慢。 “ F”表示使用类似Fortran的索引顺序读取/写入元素，第一个索引更改最快，最后一个索引更改最慢。

一些gif说明差异：第一个是行大（python / c），第二个是列大（MATLAB / Fortran）

Numpy数组和Matlab矩阵不匹配[3D]

5 个答案: