pythonmatlab轉換

① MATLAB函數打包給python調用

在處理一個需要Python調用MATLAB演算法的項目時，我遇到了如何實現這一轉換的需求。關鍵在於將MATLAB函數適配到Python環境，以適應部署在無MATLAB環境中的需求。

解決方案是利用MATLAB自帶的打包工具，選擇Library Compiler，選擇Python Package類型，然後添加需要調用的函數，如命名為VPP_algo，可以添加作者信息。打包時，可以選擇包含Runtime（會增大文件大小但無需額外安裝）或不包含（需要在伺服器上安裝Runtime）。打包完成後，會生成prj文件和文件夾。

部署時，首先在伺服器上安裝MATLAB Runtime，通常它會被安裝在C盤，但每次安裝新的Python包時，需要運行exe文件創建一個獨立文件夾。接著，進入for_distribution_file_only文件夾，通過Python命令行安裝演算法模塊。

當Python調用MATLAB函數時，務必注意參數類型，特別是數值矩陣，需使用numpy的mat類型傳遞，直接傳數值或數組可能無法運行。以下是一個示常式序，展示了如何正確調用函數：

② 從matlab到python，一個強迫症的IDE選擇之旅

在編程旅程中，從MATLAB到Python的轉變對一個強迫症患者來說，無疑是一次IDE選擇的挑戰。起初，MATLAB以其美觀的繪圖功能和簡潔的代碼贏得了青睞，尤其是在信號處理領域，其矩陣操作與線性代數的無縫結合讓人印象深刻。工作台的設計，如變數管理器，提供了全程的信號處理過程可視化，而Matlab的類功能和App設計也展示了其便利性。

然而，隨著研究方向轉向深度學習，MATLAB的局限性開始顯現。Python的廣泛支持和深度學習生態吸引了我，盡管在MATLAB與Python的聯合調試中遇到了變數類型轉換和錯誤提示的問題。此時，我開始了尋找Python替代IDE的探索。

PyCharm以其強大的自動補全和類似MATLAB的命令行和變數管理器吸引了我，但清理控制台變數和模塊重導入的問題困擾了我。通過IPython和配置，這些問題得到了部分解決。然而，對於遠程開發的需求，MATLAB的Spyder雖然界面相似，但遠程功能不盡如人意，這促使我轉向了VSCode和PyCharm的遠程開發模式。

在VSCode的配置過程中，我意識到自己花費太多時間在IDE選擇上，而忽視了學習核心演算法。最終，我選擇了PyCharm的Gateway模式，解決了自動重導入的問題，得以在伺服器端高效開發。這段旅程雖然艱辛，但讓我明白，最重要的是理解並適應不同語言的特點，而非執著於IDE的形式。

③ 從 Python 調用 MATLAB 函數的三種方法

Python調用MATLAB函數有三種常見方法：mlab庫、MATLAB自帶的引擎API以及transplant庫。第一種方法簡單快速，但需注意mlab不支持Python 3，可能會遇到安裝錯誤。第二種方法通過MATLAB引擎API，但受限於版本兼容性，如MATLAB 2015b可能只能支持Python 3.4及以下版本。這種方法在交互模式下可用，運行腳本時可能出現問題。

相比之下，第三種方法——transplant庫更為簡便且功能強大。它支持Python 3.4-3.7，列表會轉化為MATLAB元胞數組，Numpy數組轉為矩陣，特別適合處理圖像上采樣等任務。對於復雜函數調用，如NGmeet_DeNoising這類有多個輸入參數的情況，transplant也能輕松應對。在調用過程中，可能需要對數據類型進行轉換，如將int64轉換為double類型以解決兼容性問題。

總的來說，transplant庫可能是調用MATLAB函數的最直觀和有效的方式，但務必留意其版本兼容性和可能的數據類型轉換問題。如果你的項目涉及大量數據交互和復雜函數調用，transplant可能是你的首選工具。