MATLAB 与 Python 数据交互：数据导入、导出及联合分析技巧

两种语言的核心优势对比
- MATLAB：在工程计算（如信号处理、控制系统、数值分析）、专业工具箱（如 Simulink、Image Processing Toolbox）、实时仿真等领域的成熟性与专业性。
- Python：开源生态丰富（如机器学习库 Scikit-learn、深度学习框架 PyTorch/TensorFlow）、数据分析工具（Pandas）、轻量化脚本编写及跨平台兼容性优势。
实际应用中的 "协同需求"
- 场景举例：用 MATLAB 完成实验数据采集与预处理，需 Python 进行复杂机器学习建模；用 Python 完成大规模数据清洗，需 MATLAB 调用专业仿真工具验证模型。
- 数据交互的核心价值：打破 "单一语言工具限制"，实现 "优势工具联动"，提升数据分析全流程效率。

数据格式	特点（优势 / 局限）	适用场景
CSV/TXT（文本）	结构简单、易读，支持表格类数据；但不支持复杂数据类型（如多维数组、结构体）	小规模表格数据（如实验观测值、标签）
Excel（.xlsx）	支持多 sheet、单元格格式，适合非技术人员协作；大型数据读写效率低	需人工编辑的结构化数据（如参数表）
HDF5（.h5）	支持大容量、多类型数据（数组、字符串、结构体），压缩率高；格式较复杂	大型科学数据（如传感器时序数据、图像集）

通用格式实操
- CSV：MATLAB 用writematrix()/writecell()导出，Python 用pandas.read_csv()读取（示例：MATLAB 导出实验数据为 CSV，Python 用 Pandas 解析为 DataFrame）。
- HDF5：MATLAB 用h5create()/h5write()写入，Python 用h5py库读取（注意：需统一数据路径与数据类型，如 MATLAB 的single对应 Python 的np.float32）。
原生格式高效交互
- .mat 文件：Python 用scipy.io.loadmat()读取（支持结构体、单元格数组转换，如 MATLAB 的struct会转为 Python 的字典）；若为 v7.3 版本，可用h5py直接读取（更适合大型文件）。
- 注意点：MATLAB 的 "行优先" 与 Python 的 "列优先" 差异（如多维数组维度需手动调整，用np.transpose()修正）。

通用格式实操
- Excel：Python 用pandas.DataFrame.to_excel()导出，MATLAB 用readtable()/xlsread()读取（注意：日期格式需统一，避免解析为数值）。
- HDF5：Python 用h5py写入数组 / 字符串，MATLAB 用h5read()读取（需指定正确的数据集路径，如/data/sensor1）。
原生格式高效交互
- .mat 文件：Python 用scipy.io.savemat()写入（支持 NumPy 数组、Python 字典，会自动转为 MATLAB 的double数组 / 结构体）；MATLAB 直接用load()加载即可。
- 特殊数据类型处理：Python 的 Pandas DataFrame 需先转为 NumPy 数组或字典，再通过savemat()导出（避免字段名含 MATLAB 关键字，如 "class"）。

流程：MATLAB/ Python 生成中间文件（如 HDF5）→ 另一方读取文件并执行后续操作。
优势：简单易实现，无需复杂接口配置；劣势：依赖文件读写，大型数据效率低。
示例：MATLAB 对振动信号做滤波处理（用butter()函数）→ 导出为.h5 文件 → Python 用matplotlib绘制时频图（结合scipy.signal补充分析）。

MATLAB Engine for Python：Python 直接调 MATLAB
- 配置：安装 MATLAB 时勾选 "MATLAB Engine API for Python"，或通过pip install matlab-engine安装。
- 实操：在 Python 中初始化引擎（import matlab.engine; eng = matlab.engine.start_matlab()）→ 调用 MATLAB 函数（eng.sin(matlab.double([1,2,3]))）→ 传递数据（支持 NumPy 数组与 MATLAB 数组转换）。
- 适用场景：需调用 MATLAB 专业工具箱（如小波分析、控制系统设计），Python 负责数据预处理与结果整合。
Python 脚本调用：MATLAB 间接调 Python
- 方式：MATLAB 用system()函数执行 Python 脚本（如system('python script.py data.mat')），通过命令行参数或中间文件传递数据。
- 注意点：需配置 Python 环境变量（确保 MATLAB 能找到 Python 解释器），返回结果可通过 JSON/CSV 文件传递。

案例 1：实验数据全流程分析
- 步骤：MATLAB 采集传感器数据（用daq工具箱）→ 导出为.mat 文件 → Python 用Pandas清洗异常值 → Python 用Scikit-learn训练回归模型 → 导出模型参数为 CSV → MATLAB 加载参数，用Simulink仿真验证模型效果。
案例 2：信号处理与可视化联动
- 步骤：Python 用librosa提取音频特征（梅尔频谱）→ 导出为.npz 文件 → MATLAB 用signal工具箱做特征降噪 → MATLAB 调用 Python 的seaborn库（通过 Engine）绘制美观的特征热力图（结合两种语言的可视化优势）。

数据兼容性问题
- 类型冲突：如 MATLAB 的 "逻辑值（logical）" 在 Python 中需用np.bool_转换，避免被误读为整数。
- 空值处理：MATLAB 的NaN对应 Python 的np.nan，但需注意文本文件中 "空单元格" 可能被解析为None，需统一替换。
效率优化技巧
- 大型数据：优先用 HDF5/.mat（v7.3）格式，避免 CSV（读写慢且占空间）；批量数据可分块读写（如h5py的create_dataset指定chunks=True）。
- 实时交互：优先用 MATLAB Engine（比文件交互效率高 10-100 倍），但需注意引擎占用内存（用完用eng.quit()关闭）。
版本与环境问题
- .mat 文件版本：Python 的scipy.io不支持 v7.3 以上部分新格式，建议 MATLAB 导出时指定版本（save('data.mat','-v7.3')）。
- 库版本兼容：如h5py需≥2.10.0 以支持复杂数据类型，pandas需≥1.0.0 以兼容 Excel 新格式。

核心方法总结
- 小规模 / 简单数据：优先用 CSV/Excel（易操作）；
- 大规模 / 复杂数据：优先用 HDF5/.mat（高效 + 保结构）；
- 实时联动需求：优先用 MATLAB Engine（跨语言直接调用）。
未来趋势
- 工具链整合：如 MATLAB R2023 + 已支持直接读取 Pandas DataFrame，Python 的matlab库逐步完善类型自动转换；
- 低代码交互：通过 Jupyter Notebook 插件（如matlab_kernel）实现两种语言代码同环境运行，简化协同流程。

MATLAB 侧：h5write/readtable（数据读写）、MATLAB Engine（Python 接口）；
Python 侧：scipy.io（.mat 读写）、h5py（HDF5 处理）、pandas（表格数据）、matlab-engine（MATLAB 调用）；