### 如何将 NumPy 数据转换为 MATLAB 可读格式 #### 方法一：通过 `npy-matlab` 工具包 为了使 MATLAB 能够直接读取 `.npy` 文件，可以利用第三方工具包 `npy-matlab`。该工具包提供了实验性的功能用于在 MATLAB 中读写 NumPy 的 `.npy` 文件[^1]。 安装并配置好此工具包后，在 Python 环境下保存 NumPy 数组为 `.npy` 文件： ```python import numpy as np array = np.random.rand(5, 5) # 创建一个随机数构成的数组 np.save('data.npy', array) # 将其保存为 .npy 文件 ``` 随后可以在 MATLAB 中加载这个文件。假设已成功设置 `npy-matlab`，则可以通过以下命令完成操作： ```matlab % 加载由Python创建的.npz/.npy文件 loadedData = loadnpy('data.npy'); disp(loadedData); % 显示数据内容 ``` #### 方法二：使用文本或 CSV 格式作为中间媒介 另一种常见方法是先将 NumPy 数组导出成通用的数据交换格式（如CSV），再让 MATLAB 进行解析。这种方式无需依赖额外软件即可实现跨平台兼容性[^2]。 以下是具体步骤： - **Python端**: 导出至CSV文件。 ```python import numpy as np matrix = np.array([[1, 2], [3, 4]]) np.savetxt("output.csv", matrix, delimiter=",") # 使用逗号分隔符存储矩阵到csv文件中 ``` - **MATLAB端**: 从CSV文件导入数据。 ```matlab data = csvread('output.csv'); % 默认按逗号分割单元格 disp(data); ``` 注意这里我们采用的是标准ASCII编码下的纯文本表示法，因此无论是空白字符还是特定符号都可以被正确识别处理。 #### 方法三：借助SciPy库生成稀疏矩阵并与之交互 如果目标数据集较为庞大且多含零值，则考虑将其转化为压缩稀疏行(CSR)形式可能更为高效。这不仅有助于节省内存空间还能加速后续计算过程[^3]。 示例如下所示: - **构建CSR型稀疏阵列** ```python from scipy.sparse import csr_matrix arr_sparse = [[0, 0, 1],[1, 0, 0]] csr_mat = csr_matrix(arr_sparse) # 存储稀疏矩阵结构信息而非原始密集版本 scipy.io.savemat('sparse.mat',{'mySparseMatrix':csr_mat}) ``` - **于MATLAB里恢复原貌** ```matlab load sparse.mat; full(mySparseMatrix); % 展开回完整的二维表单视图 ``` 以上三种途径各有优劣之处，实际应用时需依据具体情况选取最合适的方案。