数组中分号的MATLAB函数

Question

我正在尝试将用MATLAB编写的代码转换为python脚本。我在MATLAB中没有太多的先验知识，所以我无法理解这段代码在做什么，以及如何将其转换为python

sumint=[];
for k=1:1:length(d)-(tint-2)
    sumint=[sumint;sum(d(k:k+(tint-2)))]
end

我尝试了一些函数组合，但输出不匹配

我的代码

sum_disp = []
for i in range(0, len(disp) - (points_grouped - 2)):
    sum_disp.append(sum(disp[i:(i + (points_grouped - 1))]))

sum_disp = np.array(sum_disp)

有人能告诉我如何将这段代码从MATLAB转换成python吗

d = disp
tint = points_grouped
sumint = sum_disp

d = [0.02801167 0.03669624 0.0272492  0.0208854  0.0082905  0.01288594
 0.01017967 0.01465445 0.01436482 0.05004975 0.0062021  0.02299043
 0.02368145 0.006786   0.02977529 0.01532477 0.02310713 0.02113559
 0.03423545 0.01603583 0.03599799 0.01562202 0.05216167 0.04165677
 0.01075509 0.01963266 0.03076811 0.02368203 0.04459419 0.01227608
 0.01554692 0.01537159 0.01947022 0.01487557 0.00755353 0.02223923
 0.03342209 0.04716421 0.02321706 0.03620767 0.01531807 0.02143145
 0.07581067 0.09864071 0.06802934 0.08344471 0.04110631 0.02693593
 0.01805178 0.02831497 0.02184237 0.02761051 0.03136386 0.02887697
 0.03444354 0.0232088  0.04235497 0.03862241 0.0228297  0.03749918
 0.03118549 0.01920405 0.04887996 0.03679627 0.03127032 0.03119164
 0.00888661 0.01037151 0.03510487 0.09559838 0.0715161  0.06366703
 0.04879124 0.05652408 0.08160136 0.0707258  0.10876558 0.06095913
 0.06669257 0.14134084 0.11763063 0.08965415 0.06882186 0.11428816
 0.09198447 0.04850028 0.03025621 0.02059732 0.02590883 0.00680715
 0.01868523 0.01118559 0.01455745 0.04500167 0.01250587 0.02199164
 0.0175176  0.02161969 0.00989601 0.07096723 0.05321957 0.07031943
 0.06077753 0.0315616  0.07922844 0.03241386 0.04955126 0.04118749
 0.07775704 0.03544656 0.02747782 0.01317484 0.0086493  0.0066854
 0.03952626 0.04835286 0.04847035 0.04397535 0.0723641  0.12843771
 0.06867013 0.51434501]

MATLAB输出

sumint =

    0.0920
    0.0848
    0.0564
    0.0421
    0.0314
    0.0377
    0.0392
    0.0791
    0.0706
    0.0792
    0.0529
    0.0535
    0.0602
    0.0519
    0.0682
    0.0596
    0.0785
    0.0714
    0.0863
    0.0677
    0.1038
    0.1094
    0.1046
    0.0720
    0.0612
    0.0741
    0.0990
    0.0806
    0.0724
    0.0432
    0.0504
    0.0497
    0.0419
    0.0447
    0.0632
    0.1028
    0.1038
    0.1066
    0.0747
    0.0730
    0.1126
    0.1959
    0.2425
    0.2501
    0.1926
    0.1515
    0.0861
    0.0733
    0.0682
    0.0778
    0.0808
    0.0879
    0.0947
    0.0865
    0.1000
    0.1042
    0.1038
    0.0990
    0.0915
    0.0879
    0.0993
    0.1049
    0.1169
    0.0993
    0.0713
    0.0504
    0.0544
    0.1411
    0.2022
    0.2308
    0.1840
    0.1690
    0.1869
    0.2089
    0.2611
    0.2405
    0.2364
    0.2690
    0.3257
    0.3486
    0.2761
    0.2728
    0.2751
    0.2548
    0.1707
    0.0994
    0.0768
    0.0533
    0.0514
    0.0367
    0.0444
    0.0707
    0.0721
    0.0795
    0.0520
    0.0611
    0.0490
    0.1025
    0.1341
    0.1945
    0.1843
    0.1627
    0.1716
    0.1432
    0.1612
    0.1232
    0.1685
    0.1544
    0.1407
    0.0761
    0.0493
    0.0285
    0.0549
    0.0946
    0.1363
    0.1408
    0.1648
    0.2448
    0.2695
    0.7115

Answer 1

尝试：

import numpy as np

d = np.array(d)

sumint=np.empty(0)
for k in range(d.size-(tint-2)):
    sumint=np.hstack((sumint, np.sum(d[k:k+(tint-2)])))

输出：

[0.09195711 0.08483084 0.0564251  0.04206184 0.03135611 0.03772006
 0.03919894 0.07906902 0.07061667 0.07924228 0.05287398 0.05345788
 0.06024274 0.05188606 0.06820719 0.05956749 0.07847817 0.07140687
 0.08626927 0.06765584 0.10378168 0.10944046 0.10457353 0.07204452
 0.06115586 0.0740828  0.09904433 0.0805523  0.07241719 0.04319459
 0.05038873 0.04971738 0.04189932 0.04466833 0.06321485 0.10282553
 0.10380336 0.10658894 0.0747428  0.07295719 0.11256019 0.19588283
 0.24248072 0.25011476 0.19258036 0.15148695 0.08609402 0.07330268
 0.06820912 0.07776785 0.08081674 0.08785134 0.09468437 0.08652931
 0.10000731 0.10418618 0.10380708 0.09895129 0.09151437 0.08788872
 0.0992695  0.10488028 0.11694655 0.09925823 0.07134857 0.05044976
 0.05436299 0.14107476 0.20221935 0.23078151 0.18397437 0.16898235
 0.18691668 0.20885124 0.26109274 0.24045051 0.23641728 0.26899254
 0.32566404 0.34862562 0.27610664 0.27276417 0.27509449 0.25477291
 0.17074096 0.09935381 0.07676236 0.0533133  0.05140121 0.03667797
 0.04442827 0.07074471 0.07206499 0.07949918 0.05201511 0.06112893
 0.0490333  0.10248293 0.13408281 0.19450623 0.18431653 0.16265856
 0.17156757 0.1432039  0.16119356 0.12315261 0.16849579 0.15439109
 0.14068142 0.07609922 0.04930196 0.02850954 0.05486096 0.09456452
 0.13634947 0.14079856 0.1648098  0.24477716 0.26947194]

Answer 2

最简单的是一个row分隔符：

>> [1,2;3,4]        # octave
ans =

   1   2
   3   4

^{cd2>}子类将其复制为字符串语法：

In [1005]: np.matrix('1,2;3,4')                                                                        
Out[1005]: 
matrix([[1, 2],
        [3, 4]])

更传统的numpy输入：

In [1006]: np.array([[1,2],[3,4]])                                                                     
Out[1006]: 
array([[1, 2],
       [3, 4]])

===

在MATLAB中，矩阵本质上是面向列的2d：

>> sumint=[]
sumint = [](0x0)
>> sumint=[sumint; 12]
sumint =  12
>> sumint=[sumint; 12]
sumint =

   12
   12

>> sumint=[sumint; 12]
sumint =

   12
   12
   12

>> size(sumint)
ans =

   3   1

所以重复的x = [x; y]只是在第一维度上连接一个新值。改为使用,水平连接：

>> sumint=[]
sumint = [](0x0)
>> sumint=[sumint, 12]
sumint =  12
>> sumint=[sumint, 12]
sumint =

   12   12

>> size(sumint)
ans =

   1   2

python的一个等价物是list append：

In [1007]: alist = []                                                                                  
In [1008]: alist.append(12)                                                                            
In [1009]: alist.append(12)                                                                            
In [1010]: alist.append(12)                                                                            
In [1011]: alist                                                                                       
Out[1011]: [12, 12, 12]

您可以使用numpy数组进行重复连接，但这样做效率低，而且通常不鼓励使用。它在MATLAB中运行正常，只是因为它进行了大量的JIT编译。在旧的MATLABs中，它可能会遭到反对