如何高效地将Matlab引擎数组转换为numpy的ndarray？

Question

我目前正在一个项目中工作，需要使用遗留的Matlab代码（使用Matlab引擎）完成一些处理步骤，其余部分使用Python（numpy）。

我注意到将Matlab的matlab.mlarray.double转换为numpy的numpy.ndarray结果似乎非常缓慢。

下面是一些示例代码，用于从另一个ndarray、列表和mlarray创建一个包含1000个元素的ndarray：

import timeit
setup_range = ("import numpy as np\n"
               "x = range(1000)")
setup_arange = ("import numpy as np\n"
                "x = np.arange(1000)")
setup_matlab = ("import numpy as np\n"
                "import matlab.engine\n"
                "eng = matlab.engine.start_matlab()\n"
                "x = eng.linspace(0., 1000.-1., 1000.)")
print 'From other array'
print timeit.timeit('np.array(x)', setup=setup_arange, number=1000)
print 'From list'
print timeit.timeit('np.array(x)', setup=setup_range, number=1000)
print 'From matlab'
print timeit.timeit('np.array(x)', setup=setup_matlab, number=1000)

需要以下时间：

From other array
0.00150722111994
From list
0.0705359556928
From matlab
7.0873282467

转换时间比从列表中转换长大约100倍。

有没有什么方法可以加快转换速度？

- Tim

---

RobR的回答更为通用，适用于N（>2）维数组，请参考。 - Abhijat Biswas

Answer 1

我在发布问题后不久就找到了解决方案。

对于一维数组，只需访问Matlab数组的_data属性。

import timeit
print 'From list'
print timeit.timeit('np.array(x)', setup=setup_range, number=1000)
print 'From matlab'
print timeit.timeit('np.array(x)', setup=setup_matlab, number=1000)
print 'From matlab_data'
print timeit.timeit('np.array(x._data)', setup=setup_matlab, number=1000)

打印

From list
0.0719847538787
From matlab
7.12802865169
From matlab_data
0.118476275533

对于多维数组，你需要在操作后重新整形数组。对于二维数组，这意味着调用：

np.array(x._data).reshape(x.size[::-1]).T

- Tim

---

如果数据比较复杂，那么使用 _real 和 _imag 属性（而不是 _data）。 - jayann

或者等价于：np.array(x._data).reshape(x.size, order='F') - seralouk

稍微更快 - seralouk

这个解决方案似乎在Matlab R2022a中不再起作用。已提交支持请求。 - Peter N. Steinmetz

从MATLAB R2022a及更高版本开始，您可以直接将MATLAB对象传递到NumPy构造函数中，而不是使用未记录的_data属性。考虑到多维数组的实现现在快了数个数量级（请参见R2022a发行说明），任何解决方法都是不必要的。在将“x._data”替换为“x”后，以下是我从本文主要部分的代码中获得的输出：`来自其他数组` `0.0007055000000000256` `来自列表` `0.09001790000000004` `来自MATLAB` `0.005489099999998359` - Alan

Matlab支持说明，在R2022a中，_data从Python数组更改为C++ Matlab数据数组对象，并且速度更快。他们提供了在此对象上调用的.noncomplex和.real和.imag函数，以以1-D格式检索底层数据。 - Peter N. Steinmetz

Answer 2

对于 2D 数组，Tim 的回答非常好，但将其调整为 N 维数组的方法是使用 np.reshape() 函数的 order 参数：

np_x = np.array(x._data).reshape(x.size, order='F')

- RobR

---

我认为应该这样写：np_x = np.array(x._data).reshape(x.size, order='F').T。 - Ruslan Shaydulin

@RuslanShaydulin 不行，因为 order='F' 已经被明确定义了。 - seralouk