将 Numpy 数组“转换”为 Matlab，反之亦然
Posted
技术标签:
【中文标题】将 Numpy 数组“转换”为 Matlab，反之亦然【英文标题】："Converting" Numpy arrays to Matlab and vice versa 【发布时间】：2012-06-15 08:53:23 【问题描述】：我正在寻找一种将 NumPy 数组传递给 Matlab 的方法。
我已经设法做到这一点，方法是使用 scipy.misc.imsave 将数组存储到图像中，然后使用 imread 加载它，但这当然会导致矩阵包含 0 到 256 之间的值而不是“真实”价值观。
取这个矩阵除以 256 的乘积，原始 NumPy 数组中的最大值给了我正确的矩阵，但我觉得这有点乏味。
有没有更简单的方法？
【问题讨论】：
我忘了，Matlab 允许解析文本文件吗？因为您可以将 numpy 数组格式化为字符串中的 Matlab 样式的数组，将它们写入文件，然后将数组读入 Matlab。 你考虑过 mlabwrap mlabwrap.sourceforge.net/#description 您确定不能完全在 numpy/scipy 中进行计算吗？只是想知道 我很确定我可以将 PLSM 算法的 Matlab 实现转换为 numpy，但是要解决由非同一个和函数差异引起的所有问题是非常时间的-消耗。感谢@JAB 的提示，它比先将其转换为图像更乏味。不过，我以后可能会遇到 3D 矩阵，所以 Joe 的解决方案适合我。 MATLAB可以读写HDF5格式，还有python库。 .. 【参考方案1】：当然，只需使用scipy.io.savemat
举个例子：
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))
同样，还有scipy.io.loadmat。
然后在 matlab 中使用load test 加载它。
或者，正如@JAB 建议的那样，您可以将内容保存到以 ascii 制表符分隔的文件中（例如 numpy.savetxt）。但是，如果你走这条路，你将被限制在二维。另一方面，ascii 是通用交换格式。几乎任何东西都可以处理分隔的文本文件。
【讨论】：
所以这允许将一个 numpy 数组保存到一个文件中，然后让 matlab 读取它，比如load('test.mat')?
将使用data.npz 或data.npy 将不起作用？如果没有，为什么不呢？
谢谢你，正是我要找的。span>
【参考方案2】：
一个简单的解决方案，无需通过文件或外部库传递数据。
Numpy 有一种将 ndarray 转换为列表的方法，并且 matlab 数据类型可以从列表中定义。那么，什么时候可以转换为：
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。没有将类型直接转换为列表的内置函数。但是我们可以访问原始数据，这些数据不是定型的，而是简单的。因此，我们使用reshape（正确格式化）和transpose（因为MATLAB 和numpy 存储数据的方式不同）。 强调这一点非常重要：在您的项目中进行测试，主要是在您使用超过 2 维的矩阵时。它适用于 MATLAB 2015a 和 2 维度。
np_a = np.array(mat_a._data.tolist())
np_a = np_a.reshape(mat_a.size).transpose()
【讨论】：
请注意，mat_a = matlab.double(np_a.tolist()) 可能非常低效/缓慢。对于 np 数组以外的任何内容，请选择 Joe Kington 的答案。见***.com/a/45284125/2524427【参考方案3】：
这是一个避免在 python 中迭代或使用文件 IO 的解决方案 - 以依赖（丑陋的）matlab 内部为代价：
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是：
Matlab 似乎只看type(x).__name__ 和type(x).__module__ 来确定它是否理解类型
似乎任何可索引的对象都可以放在._data属性中
不幸的是，matlab 没有在内部有效地使用_data 属性，而是一次迭代一个项目，而不是使用python memoryview 协议:(。所以这种方法的速度增益是微不足道的。
【讨论】：
加速应该是相当显着的。用这种方法我得到了大约 15 倍。 ***.com/a/45290997/4045774 @max9111：你有没有发现用array.array 包裹（就像你在那里做的那样）和不这样做（就像我在这里做的那样）有什么不同？
是的，您的版本更快；）。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。
对于您希望避免文件系统上的数据重复和任何 I/O 相关时间的情况，这似乎是最佳选择。
对于 100 x 100 x 100 阵列，此方法每次循环需要 2.73 ms ± 191 µs（平均值 ± 标准偏差，7 次运行，每次 100 次循环），但 matlab.double 需要 1.12每个循环 s ± 58.1 毫秒（平均值 ± 标准偏差。7 次运行，每次 1 个循环）。大约 400 倍加速...【参考方案4】：
scipy.io.savemat 或 scipy.io.loadmat 不适用于 matlab 数组 --v7.3。但好的部分是 matlab --v7.3 文件是 hdf5 数据集。因此可以使用包括 numpy 在内的多种工具来读取它们。
对于 python，您将需要 h5py 扩展，这需要在您的系统上使用 HDF5。
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
【讨论】：
【参考方案5】：前段时间我遇到了同样的问题，并编写了以下脚本，以便在交互式会话中来回复制和粘贴数组。显然只适用于小型数组，但我发现它比每次都通过文件保存/加载更方便：
Matlab -> Python
Python -> Matlab
【讨论】：
【参考方案6】：不确定它是否算“更简单”，但我找到了一个解决方案，可以从一个由 matlab 快速调用的 python 脚本创建的 numpy 数组中移动数据：
dump_reader.py（python 源码）：
import numpy
def matlab_test2():
np_a = numpy.random.uniform(low = 0.0, high = 30000.0, size = (1000,1000))
return np_a
dump_read.m（matlab 脚本）：
clear classes
mod = py.importlib.import_module('dump_reader');
py.importlib.reload(mod);
if count(py.sys.path,'') == 0
insert(py.sys.path,int32(0),'');
end
tic
A = py.dump_reader.matlab_test2();
toc
shape = cellfun(@int64,cell(A.shape));
ls = py.array.array('d',A.flatten('F').tolist());
p = double(ls);
toc
C = reshape(p,shape);
toc
它依赖于这样一个事实，即与单元格/矩阵相比，matlabs double 似乎在数组上有效地工作。第二个技巧是以有效的方式将数据传递给matlabs double（通过pythons native array.array）。
附：很抱歉发布了 necroposting，但我为此付出了很多努力，这个话题是最热门的话题之一。也许它可以帮助某人缩短挣扎的时间。
附言使用 Matlab R2016b + python 3.5.4 (64bit) 测试
【讨论】：
【参考方案7】：python 库Darr 允许您将 Python numpy 数组保存为自记录且广泛可读的格式，仅包含二进制文件和文本文件。保存数组时，它将包含以多种语言（包括 Matlab）读取该数组的代码。所以本质上，用 Python 将你的 numpy 数组保存到磁盘，然后从 README.txt 中复制粘贴代码以将其加载到 Matlab 中只是一行。
披露：我编写了库。
【讨论】：
有趣！如果您与编写该库的 Gabriel 相同，请添加披露信息。【参考方案8】：假设您有一个形状为 (365,10) 的 2D 每日数据，保存在 np 数组 np3Darrat 中五年，其形状为 (5,365,10)。在 python 中保存你的 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)
【讨论】：
【参考方案9】：在最新的 R2021a 中，您可以将 python numpy ndarray 传递给 double()，它将转换为本机 matlab 矩阵，即使在控制台中调用 numpy 数组时，它也会在底部建议“使用 double 函数转换为MATLAB 数组”
【讨论】：
以上是关于将 Numpy 数组“转换”为 Matlab，反之亦然的主要内容，如果未能解决你的问题，请参考以下文章