python与matlab的优势对比

Posted 2023-04-16

参考技术A 很多人都喜欢拿python和matlab进行对比，说这个更好，那个更好，今天就来对比一下

下面从两者各自的应用做个对比。

一 python的 优势

Python与Matlab相比最大的优势就是两个字-免费。国内可能不是很有人在乎，但是在国外还是有影响的

Python第二大的优势：开源，Python 是 FLOSS之一，用户使用 Python 进行开发和发布自己编写的程序，不需要支付任何费用。你可以大量更改科学计算的算法细节。

可移植性，Matlab必然不如Python。Python 作为一门解释型的语言，它天生具有跨平台的特征，只要为平台提供了相应的 Python 解释器，Python 就可以在该平台上运行

丰富强大的库：Python 语言的类库包含了解决各种问题的类库。合理使用 Python 的类库和开源项目，能够快速地实现功能，满足业务需求。

同时python可做的方向很多，爬虫、Web 程序、开发桌面程序开发、科学计算图像、处理人工智能、这些他都可以运用

二、matlab的优势

1语法相对python更灵活一些，matlab写程序基本不用套路，所谓老夫撸matlab就一个字，干；

2、科学计算方面工具无比完善，所有的的变量都是矩阵对象，采用矩阵运算而不是循环，速度快，学术界大量使用matlab做仿真。3、并行实现超级容易，parfor和gpuarray真的实现了out of box，而且gpu工具箱是把整个cuda打包了。4、本身就是一个完善的张量运算系统，实现深度学习框架简单。二者的优势明显，，大家想学习的python可以看看这个网站http://www.daimaketang.com/register?inviteCode=XPGQQ     ，学习matlab可以看看这个哦 https://www.ilovematlab.cn/

Python与Matlab混合编程案例

前言

因为项目需要，需要批处理很多Matlab的.m文件，从每个文件中提取结果合并到一个文件中。 很明显，如果手工统计，几百个文件会累死的。 因此立即想到了Python在批处理方面的优势，因此就在网上找了相关资料，实现了想要的功能，这里简单记录一下。

一、环境准备

首先电脑上要有Matlab，而且不能太老，比如Matlab 7.0可能就不行。 在电脑Matlab的安装目录下，依次找到MATLAB\\R2015b\\extern\\engines\\python，例如我电脑上的路径是D:\\Program Files\\MATLAB\\R2015b\\extern\\engines\\python。 在这个目录下有个setup.py。在命令行中安装这个脚本，正常就可以成功了。

然后就可以在Python中import了，这个包的名字就叫”matlab”。

二、简单示例

下面的代码简单演示了在Python中调用了Matlab的sqrt()函数并返回结果。说明了调用的主要步骤，同时加入了计时的代码，记录每个过程的耗时。

# coding=utf-8
import matlab.engine
import time

# 第一步，初始化Matlab的Runtime
t1 = time.time()
eng = matlab.engine.start_matlab()
t2 = time.time()

# 第二步，调用Matlab函数
res1 = eng.sqrt(16.0)
t3 = time.time()

res2 = eng.abs(-8.6)
t4 = time.time()

# 第三步，退出Runtime
eng.quit()
t5 = time.time()

print type(res1), res1
print type(res2), res2
print "Initial time", t2 - t1
print "Running time1", t3 - t2
print "Running time2", t4 - t3
print "Quit time", t5 - t4

可以看到，程序输出了和在Matlab中调用函数一样的格式ans=…。同时可以发现，与C# & Matlab混合编程类似，程序运行最耗时的就是Runtime的初始化。 不同的运算耗时的差别与初始化耗时相比可以忽略不计。同时Runtime只要初始化一次，第二次调用函数时就不需要再初始化了。这些都和C#的接口是一样的。

三、更复杂的示例

很明显，我们好不容易用Python调Matlab肯定不是想简单做个开方、取绝对值的运算的，要不然直接Python就可以实现，何必杀鸡焉用牛刀。 比如调用我们自己编写的.m文件中的函数等等。下

1.调用.m文件

首先新建一个m文件，并起名为triangle.m，用于计算三角形面积。如下。

并且将这个m文件放在py文件同一路径下，然后在Python中可以这样调用。

# coding=utf-8
import matlab.engine

eng = matlab.engine.start_matlab()
eng.triangle(nargout=0)
eng.quit()

结果如下。

控制台中像Matlab一样输出了结果。 但有几点需要注意。首先nargout=0的含义是表示返回值为空。尽管控制台打印出了结果，但并不会返回给Python。 如果没有这个参数，程序会报错。同时m文件必须和脚本文件在同一目录下才能运行。而eng后面的内容就是m文件的名字。

2.调用自定义函数

把之前的m文件少做修改，编程Matlab函数，如下。

Python调用代码如下：

# coding=utf-8
import matlab.engine

eng = matlab.engine.start_matlab()
ans = eng.triangle(2.3, 9.1)
print ans
eng.quit()

这里用变量ans接收了返回值，下一步就可以继续用于其它操作了。 这里也有需要注意的地方。需要记住的是eng后面的依然是m文件的名字而不是函数的名字。 这里就涉及到Matlab中函数的命名规范问题了。一般情况下函数名与m文件名保持一致。 但如果不一致，在Python中经过测试也可以，但最好保持一致。

对于多返回值函数，可以在Matlab中组成一个矩阵，直接返回这个矩阵，然后在Python中再解析。 或者指定返回值个数。

不过需要注意的是，例如Matlab返回了一个a = [[1 2 3]]的矩阵，但直接获取a[0]是错的。因为Matlab返回的是一个二维矩阵，所以矩阵其实是1×3。 所以应该按照行列的方式读取，写成a[0][0]。

在Python中创建Matlab矩阵也很简单。代码如下：

# coding=utf-8
import matlab.engine

A = matlab.int8([1, 2, 3, 4, 5])
print type(A), A.size, A

输出结果如下：

3.绘图测试

代码如下。

#coding=utf-8
import matlab.engine


def plot_test(eng):
    eng.workspace['data'] = \\
        eng.randi(matlab.double([1, 100]), matlab.double([30, 2]))
    eng.eval("plot(data(:,1),'ro-')")
    eng.hold('on', nargout=0)
    eng.eval("plot(data(:,2),'bx--')")


eng = matlab.engine.start_matlab()
plot_test(eng)
# 需要让程序在这暂停，类似于C++里的system('pause')，不然Figure一闪而过
# 按任意键退出
raw_input()
eng.quit()

运行结果如下。

首先，对于一些简单的命令，如max、min、power、sqrt等，我们直接可以eng.xxx()来完成。 但对于如绘图等稍微复杂的命令，我们就可以使用eng.eval()函数来完成。 其中参数是我们拼接的需要执行的字符串，如“plot(data(:,1),’ro-‘)”等。这样程序在运行时就会调用Matlab执行这一行语句。 所以其实同理，我们完全可以把之前的例子写成eng.eval("sqrt(16.0)",nargout=0)，控制台会输出结果4。 或者全部用eval()函数来写Matlab命令，不与Python进行数据交互，只是调用Matlab。 在使用eval()时需要注意返回值的问题。如果没有返回值，别忘了加上一句nargout=0。

以上只是很少一部分混合编程的相关知识，只是项目中用到的部分。其实还有很多东西可以学习，更多有关Python Matlab混合编程的说明可以参考官方文档。 看到网上还有一种Matlab的调用方式，直接pip install mlab，然后直接import mlab就可以了，但是没有尝试，因此这里不多介绍了。

三、项目相关

最后简单说一下项目相关的东西。项目中的需求是，有很多.m文件分布在许多文件夹中，需要获取到某一路径下的全部m文件。 然后获取m文件中矩阵的相关统计值。最后再将各个m文件的统计结果汇总在一个m文件中。 因此使用了Python的os模块遍历文件夹，获取所有m文件的路径，然后根据指定的规则对m文件进行重写，并输出成新的m文件放在脚本目录下。 最后通过Python调用Matlab运行m脚本，输出结果到Python中，Python集中汇总输出。

这里的关键点之一是由于各个m文件的文件名是不同的，因此eng.xxx()是没有办法在运行前写死的。 必须根据读取的文件名动态生成Python语句然后运行。这对于传统编译型语言可能很难实现，但对Python解释型语言很容易实现。 在Python中有exec()函数可以实现这个需求，其中参数是需要执行的代码字符串。 项目部分代码如下：

def joinCode(new_names):
    codes = []
    for item in new_names:
        codes.append("res = eng." + item + "()")
    return codes


def execMatlab(codes, exs, ex2s, eys, ey2s):
    eng = matlab.engine.start_matlab()
    for code in codes:
        exec code
        exs.append(res[0][0])
        ex2s.append(res[0][1])
        eys.append(res[0][2])
        ey2s.append(res[0][3])
    eng.quit()

项目中首先调用joinCode()函数根据new_names列表动态生成代码字符串存放在codes中。 然后调用execMatlab()函数依次执行每条语句。这里的res看似并没有在代码中定义，而且在IDE中确实也会报错，说未定义。 但是其实它是在动态执行的代码中定义的，因此执行时是不会报错的。

顺带提一下，在Python中，执行系统命令调用的是os.system()函数。参数就是需要执行的代码。 而且这个函数对于Windows和Linux都适用，是跨平台的。类似于os.walk()等内置函数，都是抽象后的与系统无关的函数。 下面的代码是用于执行动态系统代码的例子：

def exeCMD(cmds):
    for i in range(cmds.__len__()):
        print "\\n---------------------------------------------------------------------"
        print "Executing:", cmds[i]
        os.system(cmds[i])
        print "---------------------------------------------------------------------\\n"
        print "**********", ((i + 1) * 1.0 / len(cmds)) * 100, "% finished.**********"
    print "**********100 % finished.**********"

最后，可以import platform包，可以获取系统类型。如下函数是判断当前是什么系统，从而自动决定是使用哪种路径分隔符。

def getOSType():
    sysstr = platform.system()
    if (sysstr == "Windows"):
        separator = "\\\\"
    elif (sysstr == "Linux"):
        separator = "/"
    return separator