Python &引用；转换；Numpy阵列到Matlab，反之亦然

我正在寻找一种将NumPy数组传递给Matlab的方法

我通过使用

scipy.misc.imsave

将数组存储到一个图像中，然后使用

imread

加载数组来实现这一点，但这当然会导致矩阵包含0到256之间的值，而不是“实”值

将这个矩阵的乘积除以256，原始NumPy数组中的最大值得到正确的矩阵，但我觉得这有点乏味

---

有更简单的方法吗？

当然，只要使用

scipy.io.savemat

例如：

import numpy as np
import scipy.io

x = np.linspace(0, 2 * np.pi, 100)
y = np.cos(x)

scipy.io.savemat('test.mat', dict(x=x, y=y))

类似地，还有

scipy.io.loadmat

然后，使用

负载测试

将其加载到matlab中

---

或者，正如@JAB所建议的，您可以将内容保存到ascii制表符分隔的文件中（例如

numpy.savetxt

）。然而，如果你走这条路线，你将被限制在2维之内。另一方面，ascii是通用的交换格式。几乎任何东西都可以处理带分隔符的文本文件。

不久前，我遇到了同样的问题，并编写了以下脚本，以方便从交互式会话中来回复制和粘贴数组。显然，这只适用于小型阵列，但我发现它比每次通过文件保存/加载更方便：

---

scipy.io.savemat或scipy.io.loadmat不适用于matlab数组——v7.3。但好的方面是matlab--v7.3文件是hdf5数据集。因此，可以使用多种工具读取它们，包括numpy

对于python，您将需要扩展，它需要在您的系统上安装

import numpy as np, h5py 
f = h5py.File('somefile.mat','r') 
data = f.get('data/variable1') 
data = np.array(data) # For converting to numpy array

---

一个简单的解决方案，无需通过文件或外部LIB传递数据。

Numpy有一种将ndarrays转换为列表的方法，可以从列表中定义matlab数据类型。那么，什么时候可以像这样变换：

np_a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
mat_a = matlab.double(np_a.tolist())

从matlab到python需要更多的关注。没有内置函数将类型直接转换为列表。但是我们可以访问原始数据，这些数据不是成形的，而是简单的。因此，我们使用

重塑

（正确格式化）和

转置

（因为MATLAB和numpy存储数据的方式不同）强调这一点非常重要：在项目中进行测试，主要是当您使用的矩阵超过2维时。它适用于MATLAB 2015a和2维

np_a = np.array(mat_a._data.tolist())
np_a = np_a.reshape(mat_a.size).transpose()

不确定它是否算作“更简单”，但我找到了一个解决方案，可以从python脚本中移动数据，该脚本由matlab快速调用：

dump_reader.py（python源代码）：

dump_read.m（matlab脚本）：

这取决于这样一个事实，即matlabs double与单元/矩阵相比，似乎在阵列上工作效率更高。第二个技巧是以有效的方式（通过pythons native array.array）将数据传递给matlabs double

顺便说一句，很抱歉发布了这个帖子，但我在这方面做了很多努力，这个话题是最热门的话题之一。也许这有助于缩短挣扎的时间

---

p.p.S.使用Matlab R2016b+python 3.5.4（64位）进行了测试。

这里有一个解决方案，可以避免在python中迭代，或使用文件IO，但代价是依赖（丑陋的）Matlab内部构件：

import matlab
# This is actually `matlab._internal`, but matlab/__init__.py
# mangles the path making it appear as `_internal`.
# Importing it under a different name would be a bad idea.
from _internal.mlarray_utils import _get_strides, _get_mlsize

def _wrapper__init__(self, arr):
    assert arr.dtype == type(self)._numpy_type
    self._python_type = type(arr.dtype.type().item())
    self._is_complex = np.issubdtype(arr.dtype, np.complexfloating)
    self._size = _get_mlsize(arr.shape)
    self._strides = _get_strides(self._size)[:-1]
    self._start = 0

    if self._is_complex:
        self._real = arr.real.ravel(order='F')
        self._imag = arr.imag.ravel(order='F')
    else:
        self._data = arr.ravel(order='F')

_wrappers = {}
def _define_wrapper(matlab_type, numpy_type):
    t = type(matlab_type.__name__, (matlab_type,), dict(
        __init__=_wrapper__init__,
        _numpy_type=numpy_type
    ))
    # this tricks matlab into accepting our new type
    t.__module__ = matlab_type.__module__
    _wrappers[numpy_type] = t

_define_wrapper(matlab.double, np.double)
_define_wrapper(matlab.single, np.single)
_define_wrapper(matlab.uint8, np.uint8)
_define_wrapper(matlab.int8, np.int8)
_define_wrapper(matlab.uint16, np.uint16)
_define_wrapper(matlab.int16, np.int16)
_define_wrapper(matlab.uint32, np.uint32)
_define_wrapper(matlab.int32, np.int32)
_define_wrapper(matlab.uint64, np.uint64)
_define_wrapper(matlab.int64, np.int64)
_define_wrapper(matlab.logical, np.bool_)

def as_matlab(arr):
    try:
        cls = _wrappers[arr.dtype.type]
    except KeyError:
        raise TypeError("Unsupported data type")
    return cls(arr)

到达这里所需的观察结果如下：

• Matlab似乎只查看

  类型（x）。\uuuuu名称\uuuuuuu

  和

  类型（x）。\uuuuuu模块\uuuuuuuuu

  来确定它是否理解类型
• 似乎可以将任何可索引对象放置在

  \u data

  属性中

---

不幸的是，matlab没有在内部有效地使用

\u data

属性，而是一次迭代一项，而不是使用python

memoryview

协议：（。因此，这种方法的速度增益是微乎其微的。

假设您有一个具有形状的2D每日数据（365,10）在np数组

np3darat

中保存五年，该数组将有一个形状（5365,10）。在python中保存您的np数组：

import scipy.io as sio     #SciPy module to load and save mat-files
m['np3Darray']=np3Darray   #shape(5,365,10)
sio.savemat('file.mat',m)  #Save np 3D array 

然后在MATLAB中将np 3D数组转换为MATLAB 3D matix：

load('file.mat','np3Darray')
M3D=permute(np3Darray, [2 3 1]);   %Convert numpy array with shape (5,365,10) to MATLAB matrix with shape (365,10,5)

---

我忘了，Matlab允许解析文本文件吗？因为你可以把字符串中的NUMPY数组格式化为Matlab风格的字符串，把它们写到一个文件中，然后把数组读入Matlab。你是否考虑过mLabPress，你确定你不能在NUMPY/SCIPY中完全计算吗？我想我很确定我能够转换MMA。tlab将PLSM算法实现为numpy，但要解决由“一个接一个”和函数差异引起的所有问题非常耗时。感谢tip@JAB，这比先将其转换为图像要简单。不过，我可能会在以后遇到3D矩阵，所以Joe的解决方案对我来说是可行的。MATLAB可以读写HDF5格式，并且有python库…所以这允许将numpy数组保存到一个文件中，然后让matlab使用类似于加载（'test.mat'）？将使用

data.npz

或

data.npy

将不工作？如果不工作，为什么不工作？请注意

mat\u a=matlab.double（np\u a.tolist（））

的效率可能非常低/速度非常慢。对于np数组以外的任何东西，都可以使用Joe Kington的答案。看，速度应该是非常显著的。我用这种方法得到了大约15倍。@max9111:你发现使用

数组.array

（就像你在那里做的那样）包装与不这样做（就像我在这里做的那样）相比有什么不同吗有什么不同吗？是的，你的版本更快；）。也许最好澄清一下，您的解决方案实际上比matlab.double（np_a.tolist（））快得多。对于希望避免文件系统上的数据重复和任何与I/O相关的时间的情况，这似乎是最好的选择。对于100 x 100 x 100阵列，此方法每循环需要2.73 ms±191µs（平均值±标准偏差为7次运行，每个循环100次），但matlab.double每次运行1.12 s±58.1 ms（平均值±标准偏差为7次运行，每个循环1次）。大约400倍的加速。。。

import scipy.io as sio     #SciPy module to load and save mat-files
m['np3Darray']=np3Darray   #shape(5,365,10)
sio.savemat('file.mat',m)  #Save np 3D array 

load('file.mat','np3Darray')
M3D=permute(np3Darray, [2 3 1]);   %Convert numpy array with shape (5,365,10) to MATLAB matrix with shape (365,10,5)