Python 什么是MATLAB的等价物'；努比的雷普马特

我想使用NumPy执行以下MATLAB代码的等效代码：

repmat（[1；1]，[1]）

。我将如何完成此任务？

请参阅

Matlab：

repmat(a, 2, 3)

>> repmat([1;1],[1,1,1])

ans =
     1
     1

努比：

numpy.kron(numpy.ones((2,3)), a)

Numpy（）中的Matlib：

---

请注意，需要使用MATLAB的repmat的一些原因由NumPy的机制解决，它允许您使用形状相似的数组进行各种类型的数学运算。因此，如果你有一个1600x1400x3的数组，表示一个三色图像，你可以（元素）将它乘以

[1.0.25 0.25]

，以减少每个像素上的绿色和蓝色。有关更多信息，请参见上面的链接。

这里有一个更好的（官方）链接-我担心mathesaurus one已经过时了

repmat（a，m，n）的numpy等价物为

这适用于多个维度，并给出与matlab类似的结果。（Numpy提供了一个3d输出数组，正如您所期望的那样-出于某种原因，matlab提供了2d输出-但内容是相同的）

Matlab：

repmat(a, 2, 3)

>> repmat([1;1],[1,1,1])

ans =
     1
     1

Python:

In [46]: a = np.array([[1],[1]])
In [47]: np.tile(a, [1,1,1])
Out[47]: 
array([[[1],
        [1]]])

---

了解

平铺

和

重复

x = numpy.arange(5)
print numpy.tile(x, 2)
print x.repeat(2)

---

这就是我通过一点摆弄来理解它的方式。很高兴被纠正，希望这有帮助

假设您有一个2x3元素的矩阵M。显然，这有两个方面

---

当我要求按照矩阵已有的维度操作输入矩阵时，我看不出Matlab和Python之间有什么区别。 因此，这两个命令

repmat(M,m,n) % matlab

np.tile(M,(m,n)) # python

对于秩为2（二维）的矩阵，它们实际上是等价的

---

当你要求在比输入矩阵更多的维度上重复/平铺时，事情就变得违反直觉了。回到秩2和形状2x3的矩阵M，看看输出矩阵的大小/形状发生了什么就足够了。假设操作的顺序现在是1,1,2

在Matlab中

> size(repmat(M,1,1,2))
ans =

    2   3   2

它复制了输入矩阵的前两个维度（行和列），并将其重复一次到新的第三个维度（即复制两次）。重复矩阵的命名

repmat

为True

用Python

>>> np.tile(M,(1,1,2)).shape
(1, 2, 6)

它采用了不同的程序，因为我认为序列（1,1,2）的读取方式与Matlab中的读取方式不同。从右向左读取列、行和平面外标注方向上的副本数。生成的对象具有与Matlab不同的形状。不能再断言

repmat

和

tile

是等效指令

---

为了使

tile

的行为类似于

repmat

，在Python中，必须确保输入矩阵的维数与序列中的元素相同。例如，通过一点预处理和创建一个相关对象N

N = M[:,:,np.newaxis]

然后，在输入端有

N.shape=（2,3,1）

而不是

M.shape=（2,3）

，在输出端有

>>> np.tile(N,(1,1,2)).shape
(2, 3, 2)

这是
大小的答案（repmat（M，1,1,2））
。我认为这是因为我们引导Python将第三维度添加到（2,3）的右侧，而不是其左侧，以便Python按照Matlab的方式读取序列（1,1,2）

N的Python答案中
[：，：，0]
中的元素将包含与
（：，：，1）
元素M的Matlab答案相同的值


最后，我似乎找不到一个与
repmat
等价的产品，当一个人使用Kronecker产品时

>>> np.kron(np.ones((1,1,2)),M).shape
(1, 2, 6)

除非我将M预处理为N，如上所述。因此，我认为最普遍的前进方式是使用
np.newaxis
的方式


当我们考虑秩3（三维）的矩阵<强> L < /强>和输出矩阵中没有新维数的简单情况时，游戏变得更棘手。这两条看似等价的指令不会产生相同的结果

repmat(L,p,q,r) % matlab

np.tile(L,(p,q,r)) # python

因为行、列和平面外方向在Matlab中是（p，q，r），在Python中是（q，r，p），这在秩2数组中是不可见的。在这一点上，我们必须小心，用这两种语言获得相同的结果需要更多的预处理


我知道这个推理可能不是一般性的，但我只能得出这么远的结论。希望这会让其他人对它进行更艰难的测试。
>>将numpy作为np导入
>>> import numpy as np

>>> np.repeat(['a','b'], [2,5])

array(['a', 'a', 'b', 'b', 'b', 'b', 'b'], dtype='<U1')

>>> np.repeat([1,2], [2,5])

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

>>> np.repeat(np.array([1,2]), [3]).reshape(2,3)

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

>>> np.repeat(np.array([1,2]), [2,4]).reshape(3,2)

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

>>> np.repeat(np.matrix('1 2; 3 4'), [2]).reshape(4,2)

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

>>>np.重复（['a'，'b'，[2,5]）
数组（['a'，a'，b'，b'，b'，b']，dtype='numpy.matlib有一个与matlab函数具有类似接口的函数

from numpy.matlib import repmat
repmat( np.array([[1],[1]]) , 1, 1)

当我尝试使用size（repmat（[1；1]，[1,1,2]）时，它得到ans=2 1 2[在matlab中]，但在python np.tile（a，[1,1,2]）。shape中它得到（1,2,2），我希望numpy给出与matlabnp.tile相同的结果（a[：，np.newaxis]，[1,1,2]）-它给出了相同的结果。问题是tile通过在必要时预先添加新的轴来将
a
提升到tile参数的维度。Matlab似乎是以另一种方式工作的。同样，使用4d平铺，您将需要两次newaxis…因此
np.tile（a[：，newaxis，newaxis]，[1,2,3,4]）=大小（repmat a[1,2,3,4]）
根据需要…如果您使用
bsxfun
，Matlab也不能进行这种广播。这是最好的答案，因为它可以处理重复到新输出维度的重要情况。