Python MATLAB Numpy元素级乘法问题

请参阅下面的MATLAB代码和等效Numpy代码。 问题：如何在Numpy中获得与MATLAB相同的D变量

MATLAB代码

A=[1234；456；789]
C=[100 1；10 0.1；1,0.01]
C=重塑（C，1,3,2）
D=bsxfun（@times，A，C）
D（：，：，1）=
100    20     3
400    50     6
700    80     9
D（：，：，2）=
1.0000    0.2000    0.0300
4.0000    0.5000    0.0600
7.0000    0.8000    0.0900

Numpy代码

A=np.array（[[1,2,3]，[4,5,6]，[7,8,9]）
C=np.数组（[[[100,1]，[10,0.1]，[1,0.01]]）#C.形状为（1,3,2）
D=A*C.T
D
数组（[[100,200,300.]，
[ 40.  ,  50.  ,  60.  ],
[  7.  ,   8.  ,   9.  ]],
[[  1.  ,   2.  ,   3.  ],
[  0.4 ,   0.5 ,   0.6 ],
[  0.07,   0.08,   0.09]]])

您向

C

添加了一个转置，这在MATLAB代码中不存在

如果希望保持完全相同的数据布局，请在

a

中插入一个尾随单例维度。在MATLAB中，尾随单例是隐式的，在numpy中，前导单例是隐式的：

>>> D = A[...,None] * C.squeeze()

>>> D
array([[[1.e+02, 1.e+00],
        [2.e+01, 2.e-01],
        [3.e+00, 3.e-02]],

       [[4.e+02, 4.e+00],
        [5.e+01, 5.e-01],
        [6.e+00, 6.e-02]],

       [[7.e+02, 7.e+00],
        [8.e+01, 8.e-01],
        [9.e+00, 9.e-02]]])

这里，

A[…，None]

有shape

（3,3,1）

和

C.squence（）

只是撤销了多余的前导单态维度，使其形成

（3,2）

这些广播到shape

（3,3,2）

。MATLAB和numpy对多维数组的解释不同，这解释了为什么上面的

repr

对应于三个shape

（3,2）

数组，而MATLAB显示了两个shape

（3,3

）数组。但实际上是同一个数组：

>>> D[..., 0]
array([[100.,  20.,   3.],
       [400.,  50.,   6.],
       [700.,  80.,   9.]])

>>> D[..., 1]
array([[1.  , 0.2 , 0.03],
       [4.  , 0.5 , 0.06],
       [7.  , 0.8 , 0.09]])

---

请注意，如果您在numpy代码中保持MATLAB顺序，您可能希望在数组中使用fortran布局，否则您将在numpy代码中的次优位置使用“快速”轴。

您将转置添加到

C

，这在MATLAB代码中不存在

如果希望保持完全相同的数据布局，请在

a

中插入一个尾随单例维度。在MATLAB中，尾随单例是隐式的，在numpy中，前导单例是隐式的：

>>> D = A[...,None] * C.squeeze()

>>> D
array([[[1.e+02, 1.e+00],
        [2.e+01, 2.e-01],
        [3.e+00, 3.e-02]],

       [[4.e+02, 4.e+00],
        [5.e+01, 5.e-01],
        [6.e+00, 6.e-02]],

       [[7.e+02, 7.e+00],
        [8.e+01, 8.e-01],
        [9.e+00, 9.e-02]]])

这里，

A[…，None]

有shape

（3,3,1）

和

C.squence（）

只是撤销了多余的前导单态维度，使其形成

（3,2）

这些广播到shape

（3,3,2）

。MATLAB和numpy对多维数组的解释不同，这解释了为什么上面的

repr

对应于三个shape

（3,2）

数组，而MATLAB显示了两个shape

（3,3

）数组。但实际上是同一个数组：

>>> D[..., 0]
array([[100.,  20.,   3.],
       [400.,  50.,   6.],
       [700.,  80.,   9.]])

>>> D[..., 1]
array([[1.  , 0.2 , 0.03],
       [4.  , 0.5 , 0.06],
       [7.  , 0.8 , 0.09]])

---

请注意，如果您在numpy代码中保持MATLAB顺序，您可能希望在数组中使用fortran布局，否则您将在numpy代码中的次优位置使用“快速”轴。

您很接近。可以通过将矩阵的转置相乘，然后使用交换矩阵转置最终的子矩阵来实现这一点

A = np.array([[1,2,3],[4,5,6],[7,8,9]])
C = np.array([[[100, 1], [10, 0.1], [1, 0.01]]]) # C.shape is (1, 3, 2)

D = (A.T*C.T)
D = D.swapaxes(1,2)

您还可以将这些线组合为

D = (A.T*C.T).swapaxes(1,2)

---

输出

array([[[1.e+02, 2.e+01, 3.e+00],
    [4.e+02, 5.e+01, 6.e+00],
    [7.e+02, 8.e+01, 9.e+00]],

   [[1.e+00, 2.e-01, 3.e-02],
    [4.e+00, 5.e-01, 6.e-02],
    [7.e+00, 8.e-01, 9.e-02]]])

---

你很接近。可以通过将矩阵的转置相乘，然后使用交换矩阵转置最终的子矩阵来实现这一点

A = np.array([[1,2,3],[4,5,6],[7,8,9]])
C = np.array([[[100, 1], [10, 0.1], [1, 0.01]]]) # C.shape is (1, 3, 2)

D = (A.T*C.T)
D = D.swapaxes(1,2)

您还可以将这些线组合为

D = (A.T*C.T).swapaxes(1,2)

---

输出

array([[[1.e+02, 2.e+01, 3.e+00],
    [4.e+02, 5.e+01, 6.e+00],
    [7.e+02, 8.e+01, 9.e+00]],

   [[1.e+00, 2.e-01, 3.e-02],
    [4.e+00, 5.e-01, 6.e-02],
    [7.e+00, 8.e-01, 9.e-02]]])