pythonmatlab转换

① MATLAB函数打包给python调用

在处理一个需要Python调用MATLAB算法的项目时，我遇到了如何实现这一转换的需求。关键在于将MATLAB函数适配到Python环境，以适应部署在无MATLAB环境中的需求。

解决方案是利用MATLAB自带的打包工具，选择Library Compiler，选择Python Package类型，然后添加需要调用的函数，如命名为VPP_algo，可以添加作者信息。打包时，可以选择包含Runtime（会增大文件大小但无需额外安装）或不包含（需要在服务器上安装Runtime）。打包完成后，会生成prj文件和文件夹。

部署时，首先在服务器上安装MATLAB Runtime，通常它会被安装在C盘，但每次安装新的Python包时，需要运行exe文件创建一个独立文件夹。接着，进入for_distribution_file_only文件夹，通过Python命令行安装算法模块。

当Python调用MATLAB函数时，务必注意参数类型，特别是数值矩阵，需使用numpy的mat类型传递，直接传数值或数组可能无法运行。以下是一个示例程序，展示了如何正确调用函数：

② 从matlab到python，一个强迫症的IDE选择之旅

在编程旅程中，从MATLAB到Python的转变对一个强迫症患者来说，无疑是一次IDE选择的挑战。起初，MATLAB以其美观的绘图功能和简洁的代码赢得了青睐，尤其是在信号处理领域，其矩阵操作与线性代数的无缝结合让人印象深刻。工作台的设计，如变量管理器，提供了全程的信号处理过程可视化，而Matlab的类功能和App设计也展示了其便利性。

然而，随着研究方向转向深度学习，MATLAB的局限性开始显现。Python的广泛支持和深度学习生态吸引了我，尽管在MATLAB与Python的联合调试中遇到了变量类型转换和错误提示的问题。此时，我开始了寻找Python替代IDE的探索。

PyCharm以其强大的自动补全和类似MATLAB的命令行和变量管理器吸引了我，但清理控制台变量和模块重导入的问题困扰了我。通过IPython和配置，这些问题得到了部分解决。然而，对于远程开发的需求，MATLAB的Spyder虽然界面相似，但远程功能不尽如人意，这促使我转向了VSCode和PyCharm的远程开发模式。

在VSCode的配置过程中，我意识到自己花费太多时间在IDE选择上，而忽视了学习核心算法。最终，我选择了PyCharm的Gateway模式，解决了自动重导入的问题，得以在服务器端高效开发。这段旅程虽然艰辛，但让我明白，最重要的是理解并适应不同语言的特点，而非执着于IDE的形式。

③ 从 Python 调用 MATLAB 函数的三种方法

Python调用MATLAB函数有三种常见方法：mlab库、MATLAB自带的引擎API以及transplant库。第一种方法简单快速，但需注意mlab不支持Python 3，可能会遇到安装错误。第二种方法通过MATLAB引擎API，但受限于版本兼容性，如MATLAB 2015b可能只能支持Python 3.4及以下版本。这种方法在交互模式下可用，运行脚本时可能出现问题。

相比之下，第三种方法——transplant库更为简便且功能强大。它支持Python 3.4-3.7，列表会转化为MATLAB元胞数组，Numpy数组转为矩阵，特别适合处理图像上采样等任务。对于复杂函数调用，如NGmeet_DeNoising这类有多个输入参数的情况，transplant也能轻松应对。在调用过程中，可能需要对数据类型进行转换，如将int64转换为double类型以解决兼容性问题。

总的来说，transplant库可能是调用MATLAB函数的最直观和有效的方式，但务必留意其版本兼容性和可能的数据类型转换问题。如果你的项目涉及大量数据交互和复杂函数调用，transplant可能是你的首选工具。