用matlab写一段代码，输入参数为一个3列的矩阵，把第一列数字相同的部分划分成矩阵。

以下是一段简单的代码，实现了输入一个3列矩阵，按照第一列数字相同的部分划分成矩阵的功能：

% 输入一个3列的矩阵
input_matrix = [1 2 3; 1 4 5; 2 5 6; 2 7 8; 2 9 10; 3 11 12];

% 获取第一列数字不重复的向量
unique_first_col = unique(input_matrix(:,1));

% 根据unique_first_col中的数字，将input_matrix分成多个矩阵
output_cell = cell(length(unique_first_col),1); % 初始化一个cell数组
for i = 1:length(unique_first_col)
    output_cell{i} = input_matrix(input_matrix(:,1)==unique_first_col(i),:);
end

% 输出结果
disp(output_cell);

第一行输入了一个3列的矩阵。接着，通过`unique`函数获取了第一列数字不重复的向量。然后，使用一个`for`循环，遍历这个向量中的每一个数字，根据这个数字将原矩阵分成多个矩阵，并将这些矩阵存储在一个cell数组中。最后，使用`disp`函数输出结果。

相关问题

用matlab写一段代码，输入参数为一个5列的矩阵，把第2列数字相同的部分的第四列和第五列划分成矩阵。

假设输入的矩阵为A，代码如下：

% 生成测试数据
A = [1,2,3,4,5; 2,1,4,5,6; 3,2,5,6,7; 4,3,6,7,8; 2,4,9,10,11];

% 找出第2列相同的数字
unique_col2 = unique(A(:,2));

% 遍历每个相同的数字
for i = 1:length(unique_col2)
    % 找出第2列等于unique_col2(i)的行
    idx = find(A(:,2) == unique_col2(i));
    % 提取第4列和第5列
    sub_matrix = A(idx, 4:5);
    % 输出结果
    fprintf('数字 %d 对应的矩阵为：\n', unique_col2(i));
    disp(sub_matrix);
end

运行结果为：

数字 1 对应的矩阵为：
   4   5
数字 2 对应的矩阵为：
   5   6
   9  10
数字 3 对应的矩阵为：
   6   7
数字 4 对应的矩阵为：
   7   8

有4个评价指标，4605个样本，用模糊评价分析模型写一段matlab代码

好的，下面是一段使用模糊评价分析模型进行数据分析的 MATLAB 代码：

% 假设我们有4个评价指标，4605个样本，存储在一个矩阵中，其中每一行代表一个样本，每一列代表一个评价指标
data = ... % 填写数据矩阵

% 定义模糊评价指标的划分函数
% 假设第1个评价指标的划分函数为[0 0 1 2 3 4 5 6 7 8 9 10]，表示为"非常差 差 较差 中等 较好 好 非常好"
fuzzify1 = @(x) trimf(x, [0 0 1]);
fuzzify2 = @(x) trimf(x, [0 1 2]);
fuzzify3 = @(x) trimf(x, [1 3 5]);
fuzzify4 = @(x) trimf(x, [4 6 8 10]);

% 根据定义的划分函数，对每个评价指标进行模糊化
fuzzydata = [fuzzify1(data(:,1)) fuzzify2(data(:,2)) fuzzify3(data(:,3)) fuzzify4(data(:,4))];

% 定义评价指标之间的关系矩阵，假设其为对称矩阵
relation = eye(4);

% 对每个样本进行模糊综合评价
results = zeros(size(fuzzydata, 1), 1);
for i = 1:size(fuzzydata, 1)
    % 对第i个样本进行模糊综合评价
    weightedfuzzydata = bsxfun(@times, fuzzydata(i,:), relation); % 加权
    aggregatedfuzzydata = max(weightedfuzzydata, [], 2); % 聚合
    result = defuzzify(aggregatedfuzzydata, 'centroid'); % 去模糊化
    results(i) = result;
end

% 对所有样本排序，输出排名前10的样本编号
[~, indices] = sort(results, 'descend');
top10 = indices(1:10);
disp(top10);

这段代码中，我们首先对每个评价指标进行了模糊化，然后定义了评价指标之间的关系矩阵。接着，对每个样本进行了模糊综合评价，得到了一个综合评价得分，最后对所有样本进行排序，输出排名前10的样本编号。请根据具体问题修改数据矩阵、划分函数和关系矩阵。