3. 数据类型映射与转换

在MATLAB与Python联合计算项目中，数据能否在两种运行时之间“无损、可控”地往返，往往比算法本身更容易出问题。MATLAB的默认数值容器是双精度矩阵，NumPy的默认容器是ndarray；MATLAB用结构体（struct）组织命名字段，Python用字典（dict）组织键值对；MATLAB用元胞数组（cell）装异构内容，Python用列表（list）装异构内容。这三组对应关系构成了跨语言数据交换的主干。本节围绕“映射规则—转换实现—形状与类型陷阱—验证方法”展开，重点说明实际工程中如何写出可靠的转换代码。

一、三组核心映射关系

先建立一张稳定的心智模型。MATLAB的数值矩阵与NumPy数组在语义上最接近，但默认维度顺序不同：MATLAB以列优先（column-major）存储，NumPy默认按行优先（row-major）解释内存。因此当你在Python侧用scipy.io.loadmat读取一个MATLAB的3×4矩阵时，得到的ndarray形状仍是(3, 4)，索引A[i, j]与MATLAB的A(i+1, j+1)一一对应，这一点是安全的；真正需要警惕的是把一维数据在两侧来回搬运时的“行列翻转”。

结构体与字典的映射是“字段名→键、字段值→值”的递归映射。MATLAB结构体数组（struct array）是一个容易踩坑的点：s(1).name、s(2).name这种结构体数组在Python侧通常被加载为形状为(1, N)的对象数组，而不是一个字典列表。元胞数组与列表的对应则更直接：{1, 'abc', [1 2 3]}对应[1, 'abc', np.array([1,2,3])]，但元胞数组可以是多维的，列表是一维的，多维元胞需要嵌套列表或展平后重建。

二、矩阵与数组的转换实现

最稳妥的通道是MAT文件。MATLAB侧用save('data.mat', 'A', 's', 'c')写出，Python侧用scipy.io.loadmat('data.mat')读入。读入结果是一个字典，键为变量名，值即对应数据。此时A是numpy.ndarray，s是结构化数组或对象数组，c是对象数组。反向则用scipy.io.savemat('out.mat', {'B': B})，MATLAB侧load('out.mat')即可得到B。

% MATLAB 侧：写出
A = reshape(1:12, 3, 4);        % 3×4 double
s.name = 'sensor'; s.value = 25.6;
c = {1, 'abc', [1 2 3]};
save('data.mat', 'A', 's', 'c');

# Python 侧：读入并检查
import scipy.io as sio
import numpy as np
d = sio.loadmat('data.mat')
A = d['A']                       # shape (3,4), dtype int64
print(A.shape, A.dtype, A[0, 0]) # (3, 4) int64 1
B = A.T.astype(np.float64)       # 显式转置 + 类型统一
sio.savemat('out.mat', {'B': B})

注意两个细节。第一，MATLAB的double在Python侧通常保持float64，但整数矩阵可能被加载为int64，若下游算法假定浮点，应显式astype(np.float64)。第二，若在Python侧对矩阵做了转置再写回，MATLAB读到的就是转置后的结果——转置不会自动“抵消”，必须由调用方明确约定方向。工程上建议在接口层固定一条规则：跨语言传递的矩阵一律保持原始形状，不做隐式转置，需要改变布局时在文档中写明。

三、结构体与字典、元胞与列表的递归转换

结构体转字典的关键是递归。一个结构体字段的值可能仍是结构体、矩阵或元胞，因此转换函数必须按值类型分派。下面给出一个可直接使用的Python侧转换骨架，配合MATLAB侧对称实现即可完成往返。

import numpy as np

def mat2py(obj):
    if isinstance(obj, np.ndarray) and obj.dtype == object:
        return [mat2py(x) for x in obj.ravel(order='F')]
    if isinstance(obj, np.ndarray) and obj.dtype.names:
        return {n: mat2py(obj[n][0, 0]) for n in obj.dtype.names}
    if isinstance(obj, np.ndarray):
        return obj
    return obj

def py2mat(obj):
    if isinstance(obj, dict):
        return {k: py2mat(v) for k, v in obj.items()}
    if isinstance(obj, list):
        arr = np.empty((1, len(obj)), dtype=object)
        for i, v in enumerate(obj):
            arr[0, i] = py2mat(v)
        return arr
    return obj

元胞数组转列表时，ravel(order='F')保证按MATLAB的列优先顺序展平，避免多维元胞在展平后元素顺序错乱。若元胞本身是一维的，这个顺序与直觉一致；若是2×2元胞，展平顺序为(1,1),(2,1),(1,2),(2,2)，与MATLAB的线性索引完全对应。反向构造时用np.empty((1, n), dtype=object)再逐元素赋值，可避免NumPy把等长列表误判为二维数值数组。

四、验证转换是否可靠

转换完成后不能只看“没报错”。建议做三项检查：形状与元素总数是否一致（A.shape与MATLAB的size(A)逐维比对）；数值是否逐元素相等（用np.allclose或isequal，注意浮点容差）；嵌套结构是否保持层级（对字典递归比较键集合，对列表比较长度与各元素类型）。在联合项目中，把这三项封装成一个assert_roundtrip函数，在每次跨语言调用后执行，能提前暴露绝大多数映射错误。

把上述规则固化为项目内的matpy_bridge.py与matpy_bridge.m一对文件，所有跨语言数据都经过这两个入口，而不是在各处零散调用loadmat。这样类型映射就从“每次凭记忆处理”变成“一次定义、处处复用”，联合计算的稳定性会明显提升。