MATLAB 与 Python 混合编程实战：原理、代码与部署

输出结果示例

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 

实战二：MATLAB 调用 Python（工程验证场景）

前置条件

在 MATLAB 命令行中配置 Python 环境，确保能识别到正确的解释器：

% 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')

核心代码：MATLAB 调用 Python 机器学习库

编写 Python 脚本

创建一个 my_python_func.py，利用 sklearn 实现线性回归：

# 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()

MATLAB 调用 Python 脚本

在 MATLAB 中添加脚本路径并调用函数，注意数组类型的转换：

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();

输出结果示例

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。

生产环境部署方案（无需安装 MATLAB）

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：

1. 在 MATLAB 中用 deploytool 打包函数为 Python 包
2. 生成的包可在仅安装 MATLAB Runtime 的机器上运行
3. Python 调用打包后的 MATLAB 函数（无需 MATLAB 授权）

# 安装打包后的 MATLAB Python 包
pip install your_matlab_package.whl

避坑指南

1. 版本兼容：MATLAB R2022b+ 建议搭配 Python 3.8-3.11，版本不匹配会导致 engine 安装失败
2. 数据类型：跨语言传递时优先用基础类型（double/int/string），避免复杂对象
3. 异常处理：两边都要加 try-catch，MATLAB 的 error 会直接抛到 Python 中
4. 性能优化：避免频繁调用跨语言函数（一次传递批量数据），减少数据转换开销

掌握上述方法后，即可根据实际需求灵活组合两种语言的优势。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。