参考：MATLAB 速查、与 NumPy 对照、易错点
基于进阶语言 · 核于 2026-08
速查
- 定位：以矩阵为基本数据单元的数值计算语言，工程/科学计算标准，商业闭源（MathWorks）。
- 核心范式：一切皆矩阵，运算天然作用于整体（
A*B是矩阵乘法），向量化替代循环。 - 点号规则：带
.是逐元素（.*./.^），不带是矩阵运算（*/^）。 - 索引：从 1 开始（非 0），
A(i,j)取元素，A(:,k)取第 k 列，A(k,:)取第 k 行。 - 解方程：
x = A \ b（左除，推荐，比 inv 稳定快）。 - 工具箱：Signal/Control/Communications/Image/Optimization（付费）+ Simulink（框图建模，无开源替代）。
- 与 Python 最大迁移点：①
A*B含义相反（MATLAB 矩阵乘 vs Python 逐元素乘）；②索引 1→0。
一、矩阵运算速查
| 操作 | MATLAB 写法 | 说明 |
|---|---|---|
| 构造矩阵 | [1 2; 3 4] | 分号换行，空格/逗号分隔 |
| 全零/全一/单位 | zeros(m,n) / ones(m,n) / eye(n) | |
| 随机 | rand(m,n) | 均匀分布 [0,1) |
| 序列 | 1:5 / 0:0.1:1 | [1 2 3 4 5] / 步长 0.1 |
| 矩阵乘法 | A * B | 按数学规则 |
| 逐元素乘 | A .* B | 对应位置 |
| 转置 | A' | 复数共轭转置 |
| 矩阵幂 | A ^ 2 | A*A |
| 逐元素幂 | A .^ 2 | 每元素平方 |
| 求逆 | inv(A) | 尽量用 \ 替代 |
| 解 Ax=b | A \ b | 左除，推荐 |
| 行列式 | det(A) | |
| 迹 | trace(A) | 对角线之和 |
| 特征值 | eig(A) | [V,D]=eig(A) 返回向量+值 |
| LU 分解 | [L,U,P]=lu(A) | |
| QR 分解 | [Q,R]=qr(A) | |
| SVD | [U,S,V]=svd(A) | |
| 求和/均值 | sum(A) / mean(A) | 默认按列 |
| 最大/最小 | max(A) / min(A) | |
| 累加/差分 | cumsum(A) / diff(A) | |
| 矩阵尺寸 | [m,n]=size(A) | |
| 长度 | length(A) | 最大维长度 |
二、索引速查（从 1 开始）
| 操作 | 写法 | 说明 |
|---|---|---|
| 第 i 行第 j 列 | A(i, j) | 从 1 开始 |
| 第 k 行 | A(k, :) | : 是全部列 |
| 第 k 列 | A(:, k) | : 是全部行 |
| 子矩阵 | A(1:3, 2:4) | 1-3 行、2-4 列 |
| 最后一行/列 | A(end, :) / A(:, end) | end 是末尾 |
| 反转 | A(end:-1:1, :) | 步长 -1 反转行 |
| 逻辑索引 | A(A > 5) | 筛选大于 5 的元素 |
三、绘图函数速查
| 函数 | 用途 | 示例 |
|---|---|---|
plot | 2D 折线 | plot(x, y, 'r--o') |
scatter | 散点 | scatter(x, y) |
surf | 3D 曲面 | surf(X, Y, Z) |
mesh | 3D 网格 | mesh(X, Y, Z) |
imagesc | 矩阵热图 | imagesc(A); colorbar |
histogram | 直方图 | histogram(data, 20) |
bar | 柱状图 | bar([1 2 3]) |
subplot | 子图 | subplot(2,2,1); plot(...) |
xlabel/ylabel/title | 标注 | |
legend | 图例 | legend('sin','cos') |
grid on | 网格 | |
figure | 新建图窗 | figure(2) |
四、与 Python/NumPy 对照表
| 概念 | MATLAB | Python (NumPy) |
|---|---|---|
| 注释 | % | # |
| 矩阵乘 | A * B | A @ B |
| 逐元素乘 | A .* B | A * B |
| 索引起点 | 1 | 0 |
| 切片右界 | 包含 | 不包含 |
| 转置 | A' | A.T |
| 求逆 | inv(A) | np.linalg.inv(A) |
| 解方程 | A \ b | np.linalg.solve(A, b) |
| 全零 | zeros(3,4) | np.zeros((3,4)) |
| 序列 | 1:5 | np.arange(1,6) |
| 求和 | sum(A) | np.sum(A) 或 A.sum() |
| 形状 | size(A) | A.shape |
| 价格 | 商业付费 | 开源免费 |
五、易错点清单
- 「
A * B是逐元素乘」：错！MATLAB 中A * B是矩阵乘法，逐元素乘要写A .* B（带点）。这是 MATLAB 与 Python（A*B默认逐元素）最大的差异。 - 「索引从 0 开始」：错。MATLAB 索引从 1 开始（继承自 Fortran）。
A(1)是第一个元素，A(0)会报错。Python/JS 才从 0 开始。 - 「
A^2和A.^2一样」：错。A^2是矩阵幂（A*A），A.^2是逐元素平方。对非方阵A^2报错，A.^2合法。 - 「求逆
inv(A)*b是解方程的最佳方式」：错。应优先用A \ b（左除），它内部选最优分解，更快更稳定。求逆会放大舍入误差。 - 「循环不用预分配也行」：大错。未预分配（
x=[]然后x(i)=...）每次循环都扩容+拷贝，O(n²) 复杂度慢几个数量级。必须x=zeros(n,1)预分配。 - 「
sum(A)是全部元素之和」：不一定。对矩阵，sum(A)默认是每列求和（返回行向量）。全部求和要sum(A,'all')或sum(sum(A))。 - 「转置用
.'和'一样」：实数矩阵一样，但复数矩阵'是共轭转置（虚部变号），.'才是纯转置（不变号）。信号处理常踩这个坑。 - 「MATLAB 是免费/开源的」：错。MATLAB 是商业闭源软件，需付费许可证（且每个工具箱单独付费）。Python/R 才开源免费。
- 「向量化只是为了代码简洁」：不只是。向量化性能远超循环——底层调 LAPACK/BLAS（C/Fortran 编译），而循环是解释执行（即使有 JIT 仍慢）。
- 「
length(A)返回矩阵的总元素数」：错。length(A)返回最大维度的长度（max(size(A))）。总元素数是numel(A)。 - 「MATLAB 适合做 AI/深度学习」：相对弱。虽有 Deep Learning Toolbox，但远不如 Python 的 PyTorch/TensorFlow 生态丰富和主流。AI 选 Python。
六、MATLAB 在工程领域的定位
| 领域 | MATLAB/Simulink 角色 | 替代可能 |
|---|---|---|
| 控制系统 | 主流（PID/状态空间设计） | Python（control 库）较新 |
| 通信系统 | 主流（调制/信道仿真） | 较难替代 |
| 信号处理 | 主流（滤波/FFT/小波） | Python（SciPy）可替代 |
| 汽车电子 | Simulink 代码生成，锁定 | 几乎无替代 |
| 航空航天 | Simulink 飞控建模 | 几乎无替代 |
| 图像处理 | Image Toolbox 成熟 | Python（OpenCV/scikit-image）已超越 |
| AI/深度学习 | 弱 | Python 碾压 |
| 数据科学 | 弱 | Python/R 主流 |