MATLAB 与 Python 混合编程通过 Engine API 和 Compiler SDK 实现跨语言调用。Python 可调用 MATLAB 矩阵运算及仿真功能，MATLAB 亦可集成 Python 机器学习库如 sklearn。开发阶段推荐使用 MATLAB Engine API 进行直接交互，生产环境则采用 Compiler SDK 打包部署以消除 MATLAB 授权依赖。关键步骤包括环境配置、数据类型转换（numpy 与 matlab.double）、异常处理及资源释放。该方案适用于科研算法验证与企业工程化落地，有效整合双方生态优势提升研发效率。
在科学计算领域，MATLAB 和 Python 就像两把各有所长的'神兵利器'——MATLAB 凭借矩阵运算的'独门绝技'称霸工程仿真，Python 则依靠开源生态的'人海战术'横扫 AI 与数据科学。但在实际研发中，单一语言往往难以覆盖全流程需求：用 MATLAB 做完工程仿真，想对接 Python 的机器学习模型；用 Python 训练好 AI 模型，又需要 MATLAB 做工程验证。
这种场景下，MATLAB 与 Python 的混合编程不再是'锦上添花'，而是提升研发效率的'刚需'。本文将手把手教你打通两大语言的壁垒，从技术原理到代码实战，全方位解析跨语言协作的最优路径。
在动手编码前，先理清 MATLAB 与 Python 互调的核心方案，不同场景适配不同技术：
| 技术方案 | 适用场景 | 性能 | 部署复杂度 | 核心优势 |
|---|---|---|---|---|
| MATLAB Engine API | Python 调用 MATLAB 函数（开发阶段） | 高 | 低（需装 MATLAB） | 调用最直接，支持全量 MATLAB 功能 |
| MATLAB Compiler SDK | MATLAB 代码打包部署（生产环境） | 中 | 中（需运行时） | 无需安装 MATLAB，适合分发 |
| 共享数据文件（HDF5/CSV） | 非实时数据交互 | 低 | 极低 | 无语言依赖，兼容性最好 |
| 第三方库（pymatbridge） | 轻量级 Python 调 MATLAB | 中 | 低 | 无需管理员权限 |
# 进入 MATLAB 安装目录下的 engine 文件夹（以 Windows 为例）
cd "C:\Program Files\MATLAB\R2023a\extern\engines\python"
# 安装 engine
python setup.py install
% 功能：矩阵运算 + 简单统计
% 输入：二维矩阵
% 输出：矩阵的逆、均值、标准差
function[mat_inv, mat_mean, mat_std]=my_matlab_func(mat)
% 异常处理：检查输入是否为矩阵
if ~ismatrix(mat)
error('输入必须为矩阵！');
end
% 计算矩阵的逆（伪逆，避免奇异矩阵报错）
mat_inv = pinv(mat);
% 计算全局均值
mat_mean = mean(mat(:));
% 计算全局标准差
mat_std = std(mat(:));
end
import matlab.engine
import numpy as np
def call_matlab_from_python():
# 1. 启动 MATLAB 引擎（background=True 表示后台运行）
eng = matlab.engine.start_matlab()
# 可选：添加 MATLAB 脚本所在路径
eng.addpath(r'C:\your_matlab_script_path', nargout=0)
# 2. 构造测试数据（Python 数组转 MATLAB 矩阵）
np_mat = np.array([[1,2,3],[4,5,6],[7,8,9]], dtype=np.float64)
# 转换为 MATLAB 可识别的矩阵格式
mat_mat = matlab.double(np_mat.tolist())
try:
# 3. 调用 MATLAB 函数（参数和返回值需匹配）
mat_inv, mat_mean, mat_std = eng.my_matlab_func(mat_mat, nargout=3)
# 4. 结果转换与输出（MATLAB 类型转 Python/numpy）
print("原始矩阵：")
print(np_mat)
print(f"\nMATLAB 计算的矩阵伪逆：")
print(np.array(mat_inv))
print(f"\n矩阵均值：{mat_mean:.2f}")
print(f"矩阵标准差：{mat_std:.2f}")
except Exception as e:
print(f"调用出错：{e}")
finally:
# 5. 关闭 MATLAB 引擎（必须释放资源）
eng.quit()
if __name__ == "__main__":
call_matlab_from_python()
原始矩阵： [[1. 2. 3.] [4. 5. 6.] [7. 8. 9.]]
MATLAB 计算的矩阵伪逆： [[-0.4815 -0.1481 0.1852] [-0.0741 -0.0000 0.0741] [ 0.3333 0.1481 -0.0370]]
矩阵均值：5.00 矩阵标准差：2.58
nargout：必须指定返回值数量，否则 MATLAB 默认返回 1 个结果numpy.array 需先转 list 再转 matlab.doubleeng.quit() 必须执行，否则会残留 MATLAB 进程% 查看已识别的 Python 版本
pyversion
% 手动指定 Python 路径（如需要）
pyversion('C:\Python39\python.exe')
# 功能：用 sklearn 做简单的线性回归
import numpy as np
from sklearn.linear_model import LinearRegression
def linear_regression_demo(x_data, y_data):
""" 线性回归预测
:param x_data: 自变量（二维数组）
:param y_data: 因变量（一维数组）
:return: 模型系数、截距、预测值
"""
# 数据转换
x = np.array(x_data).reshape(-1,1)
y = np.array(y_data)
# 训练模型
model = LinearRegression()
model.fit(x, y)
# 预测
y_pred = model.predict(x)
# 返回结果（转为列表，方便 MATLAB 解析）
return model.coef_.tolist(), model.intercept_.tolist(), y_pred.tolist()
function call_python_from_matlab()
% 1. 配置 Python 路径（添加脚本所在目录）
py.sys.path.append('C:\your_python_script_path');
% 2. 构造测试数据
x_data = [1,2,3,4,5]; % 自变量
y_data = [2.1,3.9,6.2,7.8,10.1]; % 因变量（近似 y=2x）
try
% 3. 调用 Python 函数
% 注意：MATLAB 数组转 Python 列表需用 num2cell+cell2mat，或直接传数组
[coef, intercept, y_pred] = py.my_python_func.linear_regression_demo(x_data, y_data);
% 4. 结果转换与输出（Python 类型转 MATLAB 类型）
% Python 列表转 MATLAB 数组
coef_mat = cell2mat(py.list(coef));
intercept_mat = double(intercept);
y_pred_mat = cell2mat(py.list(y_pred));
disp('线性回归模型系数：');
disp(coef_mat);
disp(['截距：',num2str(intercept_mat)]);
disp('预测值：');
disp(y_pred_mat);
% 5. 可视化（MATLAB 优势）
plot(x_data, y_data,'o','DisplayName','原始数据');
hold on;
plot(x_data, y_pred_mat,'-r','DisplayName','拟合曲线');
xlabel('X');
ylabel('Y');
title('MATLAB 调用 Python sklearn 线性回归');
legend;
grid on;
catch ME
disp(['调用出错：', ME.message]);
end
end
% 执行函数
call_python_from_matlab();
线性回归模型系数： 2.0020
截距：0.0800
预测值： 2.0820 4.0840 6.0860 8.0880 10.0900
同时会弹出 MATLAB 绘图窗口，显示原始数据点和 Python 拟合的回归曲线。
开发阶段用 MATLAB Engine 很方便，但生产环境部署时，对方往往没有 MATLAB 授权，此时推荐MATLAB Compiler SDK：
deploytool 打包函数为 Python 包# 安装打包后的 MATLAB Python 包
pip install your_matlab_package.whl
无论是科研院所的算法验证，还是企业的工程化落地，MATLAB 与 Python 的混合编程都能打破语言壁垒，让技术栈的优势最大化。希望本文的实战代码能帮你快速上手，少走弯路！
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online