在NumPy中，MATLAB的repmat是什么？
我想使用NumPy： repmat([1; 1], [1 1 1])执行下面的MATLAB代码的等价物。 我将如何做到这一点？
这里是一个更好的（官方） NumPy的Matlab用户链接 – 恐怕mathesaurus是相当过时。
repmat(a, m, n)的numpy相当于tile(a, (m, n)) 。
这与多维度的工作，并给予类似的结果matlab。 （Numpy给出了一个3d输出数组，就像你期望的那样 – matlab出于某种原因给出了2D输出 – 但内容是相同的）。
Matlab的：
>> 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]]])
请注意，您需要使用MATLAB的repmat的一些原因由NumPy的广播机制来处理，它允许您使用类似形状的数组进行各种types的math运算。 所以，如果你有一个1600x1400x3的arrays代表一个3色的图像，你可以（元素）乘以[1.0 0.25 0.25]以减less每个像素的绿色和蓝色的数量。 请参阅上面的链接了解更多信息。
查看Matlab用户的NumPy 。
Matlab的：
repmat(a, 2, 3)
NumPy的：
numpy.kron(numpy.ones((2,3)), a)
知道tile和repeat 。
x = numpy.arange(5) print numpy.tile(x, 2) print x.repeat(2)
我是这样理解的。 很高兴被纠正，希望这有助于。
假设你有一个2×3元素的matrixM. 这显然有两个维度。
我可以看到Matlab和Python之间没有区别，而要求沿着matrix已经有的维度来操作inputmatrix。 因此这两个命令
repmat(M,m,n) % matlab np.tile(M,(m,n)) # python
对于等级2的matrix（二维）是非常等价的。
当你要求重复/平铺超过inputmatrix的维数时，事情就会变得反直觉。 回到等级2的matrixM并形成2×3，看看输出matrix的大小/形状会发生什么变化就足够了。 说操纵的顺序现在是1,1,2。
在Matlab中
> size(repmat(M,1,1,2)) ans = 2 3 2
它复制了inputmatrix的前两个维（行和列），并将其重复一次到新的第三维（复制两次，即）。 真正的重复matrix的命名repmat 。
在Python中
>>> np.tile(M,(1,1,2)).shape (1, 2, 6)
它已经应用了不同的程序，因为我猜测，序列（1,1,2）的读取方式与Matlab中的不同。 正在从右向左读取列，行和面外尺寸方向的副本数量。 生成的对象与Matlab有不同的形状。 人们不能断言repmat和tile是等效的指令。
为了让tile像repmat一样工作，在Python中必须确保inputmatrix具有与序列中元素一样多的维度。 例如，通过一些预处理和创build相关对象N来完成
N = M[:,:,np.newaxis]
那么，在input端有一个N.shape = (2,3,1)而不是M.shape = (2,3) ，在输出端
>>> np.tile(N,(1,1,2)).shape (2, 3, 2)
这是size(repmat(M,1,1,2))的答案size(repmat(M,1,1,2)) 。 我认为这是因为我们已经引导了Python将第三维添加到（2,3）的右边，而不是左边，这样Python就可以像Matlab中那样计算出序列（1,1,2）阅读的方式。
在N的Python答案[:,:,0]中的元素将包含与元素(:,:,1)相同的值。
最后，当我使用Kronecker产品时，似乎无法findrepmat的等价物
>>> np.kron(np.ones((1,1,2)),M).shape (1, 2, 6)
除非我如上所述将M预处理成N。 所以我认为最常用的方法是使用np.newaxis的方法。
当我们考虑秩3（三维）的matrixL和在输出matrix中没有添加新维度的简单情况时，游戏变得棘手。 这两个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Matlab中的行，列，面外方向是（p，q，r），而在Python中是（q，r，p），这在rank-2数组中是不可见的。 在那里，人们必须小心，获得相同的结果与两种语言将需要更多的预处理。
我知道这个推理可能不是一般的，但是我可以把它解决这个问题。 希望这会引起其他研究人员的更大的考验。
