Python 将一段八度（mrdivide）代码转换为numpy

我试图将一段倍频程代码转换为numpy，但我从倍频程和numpy得到了不同的结果。以下是我的数据（事实上，它们远远大于下面给出的数据）：

及

在八度音阶中，我有

x=b'/A

。我找不到

/

对应的numpy函数。到目前为止，我尝试了numpy的

x=np.dot（b.T，np.linalg.inv（A））

，但结果与倍频程不同

x=b'/A

的倍频程结果为：

x =

 Columns 1 through 6:

  -5.642309525591432e+00   7.813412870218545e+00  -1.559855155426489e+02  -3.597241224212262e+01   2.201914551287831e+02  -3.100354445411479e+02

 Columns 7 through 12:

   7.253956488595386e+02   7.369595892720794e+01  -4.313273469816049e+02   6.064725968037579e+02  -9.855235323530542e+02  -4.111380598448122e+01

 Columns 13 through 15:

   2.334109900297194e+02  -3.269547704109582e+02   4.254317069619117e+02

numpy的结果是

x=np.array([[-5.642310487492068,    7.813414778371225,  -155.9855165364133, -35.9724138597885,  220.1914623928024,  -310.0354544342263, 725.3956532399461,  73.69596218669903,  -431.3273588509765, 606.472611254314,   -985.5235383154941, -41.11380770278629, 233.4109958125337,  -326.9547770833597, 425.4317096135928]])

---

如果有人能帮我找到与numpy的八度音阶相同的结果，我将不胜感激。或者比当前更接近倍频程结果。

看起来Matlab和numpy在计算中使用了不同的精度。我会尝试强制两者都使用一些浮点精度

默认情况下，matlab使用16位精度进行数值计算（请参阅）。在这个网站上还描述了如何改变精度

就我而言，numpy使用32位精度（您可能会发现本文很有用：）。

使用两个数组（从您的帖子中复制并粘贴）

并通过

allclose

import numpy as np
np.allclose(x, y) # True

---

它们（在a中）是相同的。

为了进行测试，请添加DATA的python代码。我刚刚通过

numpy.allclose（）

运行了两个数组。它们是一样的。显式计算逆运算会导致较差的结果。改为使用（NumPy也有一个）。您必须将问题从

xA=b

重新写入

Ax=b

@KingStone，实际上代码很长。但是你可以通过

save-6matrix.matab

将数据保存在倍频程中，然后导入到numpy。我需要比1e-5更高的精度？为什么？你知道浮点数本身的精度是有限的吗？我知道，但如果可能的话，我需要更精确（接近倍频程）的结果。谢谢。请记住，显示给您的值可能只是保存值的近似值

x=np.array([[-5.642310487492068,    7.813414778371225,  -155.9855165364133, -35.9724138597885,  220.1914623928024,  -310.0354544342263, 725.3956532399461,  73.69596218669903,  -431.3273588509765, 606.472611254314,   -985.5235383154941, -41.11380770278629, 233.4109958125337,  -326.9547770833597, 425.4317096135928]])

x = [-5.642309525591432e+00, 7.813412870218545e+00, -1.559855155426489e+02, -3.597241224212262e+01, 2.201914551287831e+02, -3.100354445411479e+02, 7.253956488595386e+02, 7.369595892720794e+01, -4.313273469816049e+02, 6.064725968037579e+02, -9.855235323530542e+02, -4.111380598448122e+01, 2.334109900297194e+02, -3.269547704109582e+02, 4.254317069619117e+02]
y = [-5.642310487492068,    7.813414778371225,  -155.9855165364133, -35.9724138597885,  220.1914623928024,  -310.0354544342263, 725.3956532399461,  73.69596218669903,  -431.3273588509765, 606.472611254314,   -985.5235383154941, -41.11380770278629, 233.4109958125337,  -326.9547770833597, 425.4317096135928]

import numpy as np
np.allclose(x, y) # True