MATLAB 与 Python 混合编程实战指南
在科学计算领域，MATLAB 和 Python 各有所长。MATLAB 擅长矩阵运算与工程仿真，Python 拥有开源生态与数据科学优势。单一语言难以覆盖全流程需求时，混合编程成为提升效率的关键。
一、核心技术路径对比
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 |
二、实战 1：Python 调用 MATLAB（开发阶段首选）
前置条件
- 安装对应版本的 MATLAB（需匹配 Python 版本，建议 Python 3.8-3.11）
- 配置 MATLAB Engine API：
# 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
核心代码：Python 调用 MATLAB 函数
步骤 1：编写 MATLAB 函数（my_matlab_func.m）
% 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
步骤 2：Python 调用上述 MATLAB 函数
import matlab.engine
numpy np
():
eng = matlab.engine.start_matlab()
eng.addpath(, nargout=)
np_mat = np.array([[,,],[,,],[,,]], dtype=np.float64)
mat_mat = matlab.double(np_mat.tolist())
:
mat_inv, mat_mean, mat_std = eng.my_matlab_func(mat_mat, nargout=)
()
(np_mat)
()
(np.array(mat_inv))
()
()
Exception e:
()
:
eng.quit()
__name__ == :
call_matlab_from_python()