Как предварительно выделить массив в Python для цикла?

Question

Я пытаюсь преобразовать следующий код Matlab в код Python.Я конвертировал более 50% файла, но застрял на этом этапе.В MATLAB: -

for kk=1:length(message_vector)
    pn_sequence_h=round(2*(rand(Mw/2,Nw/2)-0.5));
    pn_sequence_v=round(2*(rand(Mw/2,Nw/2)-0.5));
    correlation_h(kk)=corr2(cH1,pn_sequence_h);
    correlation_v(kk)=corr2(cV1,pn_sequence_v);
    correlation(kk)=(correlation_h(kk)+correlation_v(kk))/2;
end

В Python-

for kk in range(1,len(message)):
    pn_sequence_h = random.sample(range(1000,100000),k = int(math.ceil(Mc/2.0)) * int(math.ceil(Nc/2.0)))
    for i in range(len(pn_sequence_h)):
        pn_sequence_h[i] = round(2*(pn_sequence_h[i]*0.00001 - 0.5))*0.06
        correlation=[]
        correlation.append[kk]=corr2(cD,pn_sequence_h[i])

Я хочу изменить correlation_h(kk)=corr2(cH1,pn_sequence_h); строку на Python, что я уже сделал, но не работал.

ИтакЯ хочу сделать список в Python, который будет сохранять значения для каждого числа.(* 1 010 *).Я очень плохо знаком с Python, поэтому я так запутался.Пожалуйста, помогите.

Answer 1

То, что делает код MATLAB, это неявное расширение матрицы каждый раз через цикл.Точнее говоря, каждый раз создается новая матрица, которая на один элемент длиннее, затем копируются все данные из старой матрицы в новую, а затем удаляется старая.

Python не позволяет вам сделать это, потому что он медленный и может быть опасным.Вам нужно сначала создать массив нужного размера (если вы используете пустые массивы), или вам нужно явно увеличить размер (если вы используете список).Обратите внимание, что это также медленно и опасно в MATLAB, поэтому новые версии редактора MATLAB будут кричать на вас, если вы делаете что-то подобное.

Если вы адаптируете код MATLAB, вы, вероятно, захотите использовать numpy.Итак, вот эквивалентный код Python:

import numpy as np
from numpy.random import random
from scipy.signal import correlate2d

correlation_h = np.zeros(len(message_vector))
correlation_v = np.zeros(len(message_vector))
correlation = np.zeros(len(message_vector))
for kk in range(len(message_vector)):
    pn_sequence_h = np.round(2*(random([Mw//2, Nw//2])-0.5))
    pn_sequence_v = np.round(2*(random([Mw//2, Nw//2])-0.5))
    correlation_h[kk] = np.corrcoef(cH1, pn_sequence_h)
    correlation_v[kk] = np.corrcoef(cV1, pn_sequence_v)
    correlation[kk] = (correlation_h[kk]+correlation_v[kk])/2

Однако вы можете упростить это, векторизовав сложение и используя numpy.random.uniform для получения случайных значений от -1 до 1

import numpy as np
from numpy.random import random

message_len = len(message_vector)
correlation_h = np.zeros(message_len)
correlation_v = np.zeros(message_len)
for kk in range(message_len):
    pn_seq_h, pn_seq_v = np.round(uniform(-1, 1, [2, Mw//2, Nw//2]))
    correlation_h[kk] = np.corrcoef(cH1, pn_seq_h)
    correlation_v[kk] = np.corrcoef(cV1, pn_seq_v)
correlation = (correlation_h+correlation_v)/2

Тем не менее, это почти наверняка не то, что вы на самом деле хотите.Попробуйте это в MATLAB:

histogram(round(2*(rand(1,1000)-.5)))

Вы увидите, что значения -1 и +1 менее вероятны, чем значение 0.Вы почти наверняка хотите равномерное распределение случайных значений, которое вы можете получить с помощью этого:

import numpy as np
from numpy.random import randint

message_len = len(message_vector)
correlation_h = np.zeros(message_len)
correlation_v = np.zeros(message_len)
for kk in range(message_len):
    pn_seq_h, pn_seq_v = randint(-1, 2, [2, Mw//2, Nw//2])
    correlation_h[kk] = np.corrcoef(cH1, pn_seq_h)
    correlation_v[kk] = np.corrcoef(cV1, pn_seq_v)
correlation = (correlation_h+correlation_v)/2

Если это не приводит к слишком большому массиву, вы можете даже создать все случайные числа одновременно, позволяя вам многое упростить:

import numpy as np
from numpy.random import randint


message_len = len(message_vector)
correlation_h = np.zeros(message_len)
correlation_v = np.zeros(message_len)
for kk in range(message_len):
pn_seqs = randint(-1, 2, [message_len, 2, Mw//2, Nw//2])
for kk, (pn_seq_h, pn_seq_v) in enumerate(pn_seqs):
    correlation_h[kk] = np.corrcoef(cH1, pn_seq_h)
    correlation_v[kk] = np.corrcoef(cV1, pn_seq_v)
correlation = (correlation_h+correlation_v)/2