1、一定要注意ndarry的形状，numpy生成的很多结果都是(n,)的1维向量，而matlab里是(1,n)或(n,1)的二维矩阵，所以生成ndarry时要加参数ndmin=2
2、matlab从1开始索引，numpy一定要对齐索引。
3、matlab的元胞，在python用字典代替。
4、math.inf不能用于svd和inv计算
5、matlab经常用ones做索引，但matlab中的ones是int，numpy的ones默认float，所以做索引时要指定np.ones((n, 1), dtype=int)
matlab2python
matlab函数
转python说明
matlab实例
python实例
备注
用scipy.stats.pearsonr算相关系数的p值，pearsonr要输入相同形状的x、y，
[~, Pval] = corr( X', X(target_variable,:)' )
pval = np.array([pearsonr(x_i, x[target_variable, :])[1] for x_i in x])
查找满足条件的索引，如果是(1,n)的矩阵，要用np.flatnonzero才能直接得到ndarry索引，如果用nonzero会得到长度为2的tuple，分别是行索引和列索引，不能直接作为ndarry的索引使用（这里比较坑），如果是(m,n)的矩阵，必须用nonzero才能得到正确索引。
Ind_corr = find(Pval < alpha);
ind_corr = np.flatnonzero(pval < alpha)
这里的pval是1维向量，所以用flatnonzero
使用索引获取(1,n)或(n,1)的2维向量，y = x[[ind], :]，如果直接用序号，numpy得到的是1维向量，matlab得到2维
X(target_variable,:)
x[[target_variable], :]
算逆阵，numpy必须要有MKL模块才速度快，差距至少50倍，conda自带的numpy有MKL，pip安装的numpy没有。在高阶矩阵，这一步的误差和matlab差的较大。
inv(x*x')
np.linalg.inv(x @ x.conj().T)
依然要注意numpy中1维和2维向量的区别，如果想把(n,)或(1,n)的向量变成对角阵，要用np.diagflat，直接用diag只能得到标量。
diag(beta_hat)
np.diagflat(beta_hat)
beta_hat是(1,n)的矩阵
(m,n)求sum一定要加axis，matlab默认按列，numpy默认全部。
sum(abs(beta_new_o))
sum(abs(beta_new_o))
beta_new_o是(1,n)矩阵，所以没加axis
将A中小于k的值替换为k，其他不变，返回的形状和A相同
max(abs(beta_new_n),beta_min)
np.maximum(abs(beta_new_n), beta_min)