将 Numpy 数组“转换”为 Matlab，反之亦然答案

【问题标题】："Converting" Numpy arrays to Matlab and vice versa将 Numpy 数组“转换”为 Matlab，反之亦然
【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。 ..

标签： python matlab numpy

【解决方案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>

【解决方案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stackoverflow.com/a/45284125/2524427

【解决方案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。 stackoverflow.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...

【解决方案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】：

【解决方案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】：

【解决方案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】：

【解决方案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。

【解决方案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】：

【解决方案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】：