用于在python中循环数组-来自matlab

假设您有以下MATLAB代码部分，在矩阵迭代时循环并修改矩阵中的索引值：

x = zeros(parts,2);
for i = 1:parts
x(i,1) = (i-1)*L + 1;
x(i,2) = i*L;
end

现在假设您是一个python noob，并且已经做到了这一点：

v = np.zeros((parts,2))
for x in xrange(0,N1/L):

其中零件和N1/L是预定义的整数值。

---

我在python中对索引和for循环做了一些搜索，但是我很难理解如何引用特定的索引并在for循环中修改它们。如果有人能告诉我正确的方向，让我理解如何攻击代码的下一部分，我将不胜感激。

Matlab代码的直译将是

import numpy as np
x = np.zeros((parts, 2))
for i in range(parts):
    x[i,0] = i*L + 1
    x[i,1] = (i+1)*L

请注意，Matlab使用基于1的索引，而Python使用基于0的索引。这就解释了1在哪里出现的差异

但是，在使用NumPy时，如果避免对数组逐个元素进行修改，您将获得更好的性能。相反，您应该设法用尽可能少的NumPy运算符或函数调用来表示计算，这会立即影响整个数组。通过这样做，您可以尽可能多地卸载NumPy底层的快速C/Fortran编译函数调用，并减少执行较慢Python代码所花费的时间

这通常意味着您希望避免使用Python for循环，因为循环意味着存在 将有许多Python语句要执行

例如，表达上述计算的更好方法是

x = np.zeros((parts, 2))
x[:, 0] = np.arange(1, parts*L, L)
x[:, 1] = x[:, 0] + L - 1

请注意，

x

中的值仅使用两个赋值填充。每个 赋值影响整列的

x

“一次全部”

---

要了解基于数组的操作的不同之处， 下面是使用

parts=10000

，

L=3

进行的（）时间IT测试：

In [16]: %%timeit
   ....: x = np.zeros((parts, 2))
         x[:, 0] = np.arange(1, parts*L, L)
         x[:, 1] = x[:, 0] + L - 1
10000 loops, best of 3: 51.9 µs per loop

In [17]: %%timeit
   ....: x = np.zeros((parts, 2))
         for i in range(parts):
             x[i,0] = i*L + 1
             x[i,1] = (i+1)*L
100 loops, best of 3: 3.58 ms per loop

---

这种循环在早期版本的MATLAB中也很糟糕。这非常有用，我非常感谢。我唯一感到困惑的是np.arange的参数。根据文件，第二个参数是“停止”标记。为什么是parts*L而不仅仅是parts？最好在Python交互式会话中试用

np.arange（1，parts，L）

和

np.arange（1，parts*L，L）

来了解

parts

和

L

的具体值。我相信你很快就会明白的。第二个参数，

stop

值始终略大于

np.arange

返回的数组中的最后一个值。与

range

，

np.arange

不包括

stop

值。因为我们希望最后一个值是

（parts-1）*L+1

，所以

parts*L

的

停止

值就可以了，因为我们用步长

L

递增<代码>部分*L-L+2也可以工作，但这是不必要的复杂。