前言

摘要：在科學(xué)計(jì)算領(lǐng)域，MATLAB和Python就像兩把各有所長(zhǎng)的“神兵利器”——MATLAB憑借矩陣運(yùn)算的“獨(dú)門絕技”鶴立于工程仿真，Python則依靠開(kāi)源生態(tài)的“人海戰(zhàn)術(shù)”橫掃AI與數(shù)據(jù)科學(xué)。但在實(shí)際研發(fā)中，單一語(yǔ)言往往難以覆蓋全流程需求：用MATLAB做完工程仿真，想對(duì)接Python的機(jī)器學(xué)習(xí)模型；用Python訓(xùn)練好AI模型，又需要MATLAB做工程驗(yàn)證。

這種場(chǎng)景下，MATLAB與Python的混合編程不再是“錦上添花”，而是提升研發(fā)效率的“剛需”。本文將手把手教你打通兩大語(yǔ)言的壁壘，從技術(shù)原理到代碼實(shí)戰(zhàn)，全方位解析跨語(yǔ)言協(xié)作的最優(yōu)路徑。

一、核心技術(shù)路徑對(duì)比

在動(dòng)手編碼前，先理清MATLAB與Python互調(diào)的核心方案，不同場(chǎng)景適配不同技術(shù)：

二、Python調(diào)用MATLAB（開(kāi)發(fā)階段首選）

前置條件

安裝對(duì)應(yīng)版本的MATLAB（需匹配Python版本，建議Python 3.8-3.11）

配置MATLAB Engine API：

# 進(jìn)入MATLAB安裝目錄下的engine文件夾（以Windows為例）
cd "C:\Program Files\MATLAB\R2023a\extern\engines\python"
# 安裝engine
python setup.py install

核心代碼-Python調(diào)用MATLAB函數(shù)

步驟1：編寫MATLAB函數(shù)（my_matlab_func.m）

% 功能：矩陣運(yùn)算+簡(jiǎn)單統(tǒng)計(jì)
% 輸入：二維矩陣
% 輸出：矩陣的逆、均值、標(biāo)準(zhǔn)差
function [mat_inv, mat_mean, mat_std] = my_matlab_func(mat)
    % 異常處理：檢查輸入是否為矩陣
    if ~ismatrix(mat)
        error('輸入必須為矩陣！');
    end
    
    % 計(jì)算矩陣的逆（偽逆，避免奇異矩陣報(bào)錯(cuò)）
    mat_inv = pinv(mat);
    % 計(jì)算全局均值
    mat_mean = mean(mat(:));
    % 計(jì)算全局標(biāo)準(zhǔn)差
    mat_std = std(mat(:));
end

步驟2：Python調(diào)用上述MATLAB函數(shù)

import matlab.engine
import numpy as np
def call_matlab_from_python():
    # 1. 啟動(dòng)MATLAB引擎（background=True表示后臺(tái)運(yùn)行）
    eng = matlab.engine.start_matlab()
    # 可選：添加MATLAB腳本所在路徑
    eng.addpath(r'C:\your_matlab_script_path', nargout=0)
    # 2. 構(gòu)造測(cè)試數(shù)據(jù)（Python數(shù)組轉(zhuǎn)MATLAB矩陣）
    np_mat = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]], dtype=np.float64)
    # 轉(zhuǎn)換為MATLAB可識(shí)別的矩陣格式
    mat_mat = matlab.double(np_mat.tolist())
    try:
        # 3. 調(diào)用MATLAB函數(shù)（參數(shù)和返回值需匹配）
        mat_inv, mat_mean, mat_std = eng.my_matlab_func(mat_mat, nargout=3)
        # 4. 結(jié)果轉(zhuǎn)換與輸出（MATLAB類型轉(zhuǎn)Python/numpy）
        print("原始矩陣：")
        print(np_mat)
        print("\nMATLAB計(jì)算的矩陣偽逆：")
        print(np.array(mat_inv))
        print(f"\n矩陣均值：{mat_mean:.2f}")
        print(f"矩陣標(biāo)準(zhǔn)差：{mat_std:.2f}")
    except Exception as e:
        print(f"調(diào)用出錯(cuò)：{e}")
    finally:
        # 5. 關(guān)閉MATLAB引擎（必須釋放資源）
        eng.quit()
if __name__ == "__main__":
    call_matlab_from_python()

輸出結(jié)果示例

原始矩陣：
[[1. 2. 3.]
 [4. 5. 6.]
 [7. 8. 9.]]

MATLAB計(jì)算的矩陣偽逆：
[[-0.4815 -0.1481  0.1852]
 [-0.0741 -0.0000  0.0741]
 [ 0.3333  0.1481 -0.0370]]

矩陣均值：5.00
矩陣標(biāo)準(zhǔn)差：2.58

關(guān)鍵說(shuō)明

• nargout：必須指定返回值數(shù)量，否則MATLAB默認(rèn)返回1個(gè)結(jié)果
• 數(shù)據(jù)類型轉(zhuǎn)換：Python的numpy.array需先轉(zhuǎn)list再轉(zhuǎn)matlab.double
• 資源釋放：eng.quit()必須執(zhí)行，否則會(huì)殘留MATLAB進(jìn)程

三、MATLAB調(diào)用Python（工程驗(yàn)證場(chǎng)景）

前置條件

MATLAB中配置Python環(huán)境：在MATLAB命令行執(zhí)行

% 查看已識(shí)別的Python版本
pyversion
% 手動(dòng)指定Python路徑（如需要）
pyversion('C:\Python39\python.exe')

核心代碼：MATLAB調(diào)用Python機(jī)器學(xué)習(xí)庫(kù)

步驟1：編寫Python腳本（my_python_func.py）

# 功能：用sklearn做簡(jiǎn)單的線性回歸
import numpy as np
from sklearn.linear_model import LinearRegression
def linear_regression_demo(x_data, y_data):
    """
    線性回歸預(yù)測(cè)
    :param x_data: 自變量（二維數(shù)組）
    :param y_data: 因變量（一維數(shù)組）
    :return: 模型系數(shù)、截距、預(yù)測(cè)值
    """
    # 數(shù)據(jù)轉(zhuǎn)換
    x = np.array(x_data).reshape(-1, 1)
    y = np.array(y_data)
    # 訓(xùn)練模型
    model = LinearRegression()
    model.fit(x, y)
    # 預(yù)測(cè)
    y_pred = model.predict(x)
    # 返回結(jié)果（轉(zhuǎn)為列表，方便MATLAB解析）
    return model.coef_.tolist(), model.intercept_.tolist(), y_pred.tolist()

步驟2：MATLAB調(diào)用Python腳本

function call_python_from_matlab()
    % 1. 配置Python路徑（添加腳本所在目錄）
    py.sys.path.append('C:\your_python_script_path');
    % 2. 構(gòu)造測(cè)試數(shù)據(jù)
    x_data = [1, 2, 3, 4, 5];  % 自變量
    y_data = [2.1, 3.9, 6.2, 7.8, 10.1];  % 因變量（近似y=2x）
    try
        % 3. 調(diào)用Python函數(shù)
        % 注意：MATLAB數(shù)組轉(zhuǎn)Python列表需用num2cell+cell2mat，或直接傳數(shù)組
        [coef, intercept, y_pred] = py.my_python_func.linear_regression_demo(x_data, y_data);
        % 4. 結(jié)果轉(zhuǎn)換與輸出（Python類型轉(zhuǎn)MATLAB類型）
        % Python列表轉(zhuǎn)MATLAB數(shù)組
        coef_mat = cell2mat(py.list(coef));
        intercept_mat = double(intercept);
        y_pred_mat = cell2mat(py.list(y_pred));
        disp('線性回歸模型系數(shù)：');
        disp(coef_mat);
        disp(['截距：', num2str(intercept_mat)]);
        disp('預(yù)測(cè)值：');
        disp(y_pred_mat);
        % 5. 可視化（MATLAB優(yōu)勢(shì)）
        plot(x_data, y_data, 'o', 'DisplayName', '原始數(shù)據(jù)');
        hold on;
        plot(x_data, y_pred_mat, '-r', 'DisplayName', '擬合曲線');
        xlabel('X');
        ylabel('Y');
        title('MATLAB調(diào)用Python sklearn線性回歸');
        legend;
        grid on;
    catch ME
        disp(['調(diào)用出錯(cuò)：', ME.message]);
    end
end
% 執(zhí)行函數(shù)
call_python_from_matlab();

輸出結(jié)果示例

線性回歸模型系數(shù)：
    2.0020
截距：0.0800
預(yù)測(cè)值：
    2.0820    4.0840    6.0860    8.0880   10.0900

同時(shí)會(huì)彈出MATLAB繪圖窗口，顯示原始數(shù)據(jù)點(diǎn)和Python擬合的回歸曲線。

四、生產(chǎn)環(huán)境部署方案（無(wú)需安裝MATLAB）

開(kāi)發(fā)階段用MATLAB Engine很方便，但生產(chǎn)環(huán)境部署時(shí)，對(duì)方往往沒(méi)有MATLAB授權(quán)，此時(shí)推薦MATLAB Compiler SDK：

核心步驟

1. 在MATLAB中用deploytool打包函數(shù)為Python包
2. 生成的包可在僅安裝MATLAB Runtime的機(jī)器上運(yùn)行
3. Python調(diào)用打包后的MATLAB函數(shù)（無(wú)需MATLAB）

# 安裝打包后的MATLAB Python包
pip install your_matlab_package.whl

五、避坑指南

1. 版本兼容：MATLAB R2022b+建議搭配Python 3.8-3.11，版本不匹配會(huì)導(dǎo)致engine安裝失敗
2. 數(shù)據(jù)類型：跨語(yǔ)言傳遞時(shí)優(yōu)先用基礎(chǔ)類型（double/int/string），避免復(fù)雜對(duì)象
3. 異常處理：兩邊都要加try-catch，MATLAB的error會(huì)直接拋到Python中
4. 性能優(yōu)化：避免頻繁調(diào)用跨語(yǔ)言函數(shù)（一次傳遞批量數(shù)據(jù)），減少數(shù)據(jù)轉(zhuǎn)換開(kāi)銷

總結(jié)

1. Python調(diào)MATLAB：開(kāi)發(fā)階段用MATLAB Engine API，直接高效；生產(chǎn)環(huán)境用Compiler SDK打包，無(wú)需MATLAB授權(quán)。
2. MATLAB調(diào)Python：適合復(fù)用Python的AI/機(jī)器學(xué)習(xí)庫(kù)，重點(diǎn)做好數(shù)據(jù)類型轉(zhuǎn)換和異常捕獲。
3. 混合編程核心價(jià)值：讓MATLAB的工程仿真能力與Python的AI生態(tài)深度融合，覆蓋“算法開(kāi)發(fā)-模型訓(xùn)練-工程驗(yàn)證”全流程，大幅提升研發(fā)效率。

無(wú)論是科研院所的算法驗(yàn)證，還是企業(yè)的工程化落地，MATLAB與Python的混合編程都能打破語(yǔ)言壁壘，讓技術(shù)棧的優(yōu)勢(shì)最大化。希望本文的實(shí)戰(zhàn)代碼能幫你快速上手，少走彎路！

以上就是Python與MATLAB混合編程全方位解析的詳細(xì)內(nèi)容，更多關(guān)于Python與MATLAB混合編程的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論