核心思想

混合编程的核心是让 Python 和 MATLAB 各自发挥所长：

• Python: 负责 Web 后端、数据预处理/后处理、机器学习模型训练与部署、自动化任务、与其他系统集成。
• MATLAB: 负责复杂的数值计算、算法原型验证、Simulink 仿真、专业的科学绘图、特定领域的工具箱（如信号处理、控制、通信）。

使用 MATLAB Engine API for Python (推荐首选)

这是 MathWorks 官方提供的最直接、最无缝的集成方式，它允许你在 Python 代码中直接调用 MATLAB 函数，并在两者之间自由传递数据。

安装

你需要在你的 MATLAB 安装目录中找到并运行 setup.py 脚本来安装引擎。

# 在 MATLAB 的命令窗口中运行
!cd [你的 MATLAB 安装路径]/extern/engines/python
!python setup.py install

或者,如果你使用 Conda，也可以通过 Conda Forge 安装：

conda install -c conda-forge matlabengine

基本使用

步骤 1：启动 MATLAB 引擎

import matlab.engine
# 启动一个后台会话
eng = matlab.engine.start_matlab()
# 你也可以指定启动选项，例如不显示图形窗口
# eng = matlab.engine.start_matlab('-desktop')

步骤 2：在 Python 中调用 MATLAB 函数

# 调用 MATLAB 内置函数
eng.sqrt(4.0, nargout=1) # nargout 指定返回参数个数
# 调用 MATLAB 脚本（假设你有一个名为 my_script.m 的文件）
eng.my_script(nargout=0) # 如果脚本没有返回值，使用 nargout=0
# 调用你自己写的 MATLAB 函数
result = eng.my_matlab_function(1, 2, 3, nargout=1)
print(f"MATLAB 函数返回结果: {result}")

步骤 3：在 Python 和 MATLAB 之间传递数据 这是最关键的一步，引擎会自动进行数据类型的转换。

• Python -> MATLAB:

  • list -> MATLAB cell array
  • dict -> MATLAB struct
  • numpy.ndarray -> MATLAB numeric array (这是最高效的方式)
  • int, float -> MATLAB double

• MATLAB -> Python:

  
  （图片来源网络，侵删）
  • MATLAB numeric array -> numpy.ndarray
  • MATLAB cell array -> Python list ofnumpy.ndarray``
  • MATLAB struct -> Python dict

示例：数据传递

import numpy as np
# 创建一个 NumPy 数组 (Python)
py_array = np.array([[1, 2, 3], [4, 5, 6]])
# 将 NumPy 数组传递给 MATLAB
# MATLAB 会将其视为一个 double 类型的矩阵
mat_matrix = eng.workspace('mat_matrix', py_array)
# 在 MATLAB 中进行计算
eng.eval('result_matrix = mat_matrix * 2;', nargout=0)
# 将结果从 MATLAB workspace 取回 Python
py_result = eng.eval('result_matrix', nargout=1)
print("从 MATLAB 返回的 NumPy 数组:")
print(py_result)
print(type(py_result)) # <class 'numpy.ndarray'>
# 关闭引擎
eng.quit()

优点

• 无缝集成：数据类型自动转换，非常方便。
• 高性能：通过 NumPy 数组传递数据，避免了文件 I/O，速度极快。
• 双向调用：Python 可以调用 MATLAB，MATLAB 也可以通过引擎调用 Python（需要额外配置）。
• 官方支持：稳定可靠，与 MATLAB 版本更新同步。

缺点

• 依赖 MATLAB：目标机器上必须安装有 MATLAB 许可证。
• 环境配置：初次安装引擎步骤稍显繁琐。

适用场景

• 需要在 Python 流程中频繁、高性能地调用 MATLAB 核心算法的场景。
• 将现有的 MATLAB 代码集成到 Python 主导的项目中。

通过文件进行数据交换 (简单通用)

这是一种最传统、最通用的方法，Python 将数据写入文件，MATLAB 读取文件进行处理；反之亦然。

基本流程

1. Python 写入: Python 使用 numpy.savetxt, pandas.DataFrame.to_csv, scipy.io.savemat 等函数将数据保存为文件（如 .txt, .csv, .mat）。
2. MATLAB 读取: MATLAB 使用 load, readmatrix, csvread 等函数读取该文件。
3. MATLAB 处理: MATLAB 执行计算。
4. MATLAB 写出: MATLAB 将结果保存为文件。
5. Python 读取: Python 读取结果文件。

示例

使用 .mat 文件是最高效的方式，因为它保留了数据类型和结构。

Python 端 (python_script.py)

import numpy as np
from scipy.io import savemat, loadmat
# 1. Python 创建数据
data_to_send = {
    'input_matrix': np.random.rand(5, 5),
    'input_scalar': 10,
    'input_string': 'Hello from Python!'
}
# 2. Python 将数据保存为 .mat 文件
savemat('data_from_python.mat', data_to_send)
print("Python: 数据已保存到 data_from_python.mat")
# 4. (模拟) 等待 MATLAB 处理... (在实际应用中，可能需要用 subprocess 调用)
# 这里我们直接读取 MATLAB 写回的文件
# import time
# time.sleep(2)
# 5. Python 读取 MATLAB 的结果
matlab_result = loadmat('result_from_matlab.mat')
print("Python: 已读取 MATLAB 的结果")
print("MATLAB 返回的矩阵:")
print(matlab_result['output_matrix'])

MATLAB 端 (process_data.m)

% 3. MATLAB 读取 Python 发来的数据
data = load('data_from_python.mat');
% 显示从 Python 接收到的数据
disp('MATLAB: 从 Python 接收到的数据:');
disp(data.input_matrix);
disp(data.input_scalar);
disp(data.input_string);
% 进行一些计算
output_matrix = data.input_matrix * 2 + data.input_scalar;
% 4. MATLAB 将结果保存回 .mat 文件
save('result_from_matlab.mat', 'output_matrix');
disp('MATLAB: 结果已保存到 result_from_matlab.mat');

运行方式 你可以手动运行这两个脚本，或者使用 Python 的 subprocess 模块来自动化调用 MATLAB。

# 在 python_script.py 中添加
import subprocess
# 调用 MATLAB 执行 .m 文件
# 需要确保 MATLAB 在系统 PATH 中，或者提供完整路径
try:
    subprocess.run(['matlab', '-batch', 'process_data'], check=True)
    print("成功调用 MATLAB 执行 process_data.m")
except subprocess.CalledProcessError as e:
    print(f"调用 MATLAB 失败: {e}")
# 然后继续读取结果文件...

优点

• 简单通用：不依赖任何特殊的 API，任何能读写文件的编程语言都可以实现。
• 解耦合：Python 和 MATLAB 进程是分离的，一个进程的崩溃不会直接影响另一个。
• 无需 MATLAB 引擎：接收端不需要安装 MATLAB 引擎（只要能读写文件格式即可）。

缺点

• 性能瓶颈：文件 I/O 速度远低于内存中的数据交换。
• 代码复杂：需要额外的文件读写和路径管理逻辑。
• 异步处理困难：实现同步等待和错误处理比较麻烦。

适用场景

• 一次性或低频率的数据交换。
• Python 和 MATLAB 运行在不同机器上的分布式系统。
• 对性能要求不高的简单任务。

使用 Web 服务 (REST API)

这种方法将 MATLAB 的功能封装成一个 Web 服务（例如使用 MATLAB Production Server），Python 通过 HTTP 请求来调用这个服务。

基本流程

1. MATLAB 端: 使用 MATLAB Compiler SDK 或 MATLAB Production Server 将一个或多个 MATLAB 函数打包成一个可部署的 Web 应用。
2. 服务启动: 启动这个 Web 服务，它会监听某个端口。
3. Python 端: Python 使用 requests 等库向该服务的 API 端点发送 HTTP 请求（通常是 POST，携带 JSON 格式的数据）。
4. 数据交换: 数据在网络上以 JSON 等格式传输，服务端（MATLAB）处理后再将结果以 JSON 格式返回给客户端（Python）。

优点

• 跨平台、跨语言：任何能发送 HTTP 请求的语言或设备都可以调用 MATLAB 功能。
• 可扩展性强：易于实现负载均衡、服务发现和微服务架构。
• 集中管理：MATLAB 逻辑集中部署在服务器上，便于维护和更新。

缺点

• 架构复杂：需要部署和管理一个额外的服务器。
• 网络延迟：HTTP 请求和网络传输会带来额外的延迟。
• 需要额外工具：需要 MATLAB Compiler SDK 或 MATLAB Production Server，这些是商业产品。

适用场景

• 企业级应用,需要将 MATLAB 算法作为服务提供给多个客户端（包括 Web 前端、移动 App 等）。
• 异步计算任务。

使用第三方库 matlab.py

这是一个轻量级的第三方库,它通过在后台运行一个 MATLAB 实例，并通过标准输入/输出进行通信，它类似于方法二（文件交换），但直接在内存中通过文本流通信。

pip install matlab

示例

from matlab import engine
# 启动引擎
eng = engine.start_matlab()
# 调用函数
# 注意：这里的语法和方法一略有不同，更侧重于字符串命令
result = eng.eval("sqrt(16)", nargout=1)
print(result)
# 关闭引擎
eng.quit()

注意：这个库的活跃度和功能通常不如官方的 MATLAB Engine API，对于新项目，强烈推荐优先使用方法一。

总结与选择建议

最终建议：

• 如果你的项目主要在 Python 环境中运行，但需要调用一些关键的 MATLAB 函数或算法库，请毫不犹豫地选择 MATLAB Engine API for Python，这是最直接、最高效的方式。
• 如果你的 Python 和 MATLAB 代码运行在不同的机器上，或者只是偶尔需要交换一次数据，文件交换 是最简单可靠的方案。
• 如果你正在构建一个大型、分布式的系统，需要将 MATLAB 的计算能力作为一种标准服务提供给多个应用，那么可以考虑 Web 服务 架构。