Python处理mat文件的三种方式小结

处理mat文件的三种方式

求学阶段，数据处理通常依赖Matlab；但步入职场成为程序员后，Matlab便从个人电脑中消失（因其安装包体积庞大、需要License授权且启动缓慢，不符合程序员的开发习惯）。

然而近期公司仿真数据以Matlab的.mat格式存储，需要读取并进行后续处理，因此寻找Python相关的库成为必然选择，毕竟Python几乎能胜任所有数据处理任务。

mat文件用于存储Matlab中的变量数据，因此Python读取出的.mat数据以键值对（k-v）形式存储在字典中，其中key为变量名，value为实际数据内容：

scipy

首先想到的工具是scipy库。

import scipy.io as scio
data = scio.loadmat(‘example.mat')
data[‘loss']

但在读取部分.mat文件时，会抛出异常（针对v7.3版本）：

raise NotImplementedError('Please use HDF reader for matlab v7.3 files')NotImplementedError: Please use HDF reader for matlab v7.3 files

h5py

遇到上述问题时，需要采用h5py库：

import h5py
data=h5py.loadmat('example.mat')   
data['loss'][:]

然而这样读出来的是file格式，调试时很难直接获知key是什么，虽然可以按key取值，但前提是需要预先知道key值，这不利于独立调试。

mat73

接下来介绍的主角，个人觉得mat73兼容性最好，几乎所有的mat文件都能成功读取，而且读取的结果是k-v的字典，很便于后续处理：

import mat73
data=mat73.loadmat(path)   
data['loss']

mat4py

不推荐，兼容性较差，可能是没有后续更新。

总结：总的来说，个人比较推荐使用mat73，兼容各种版本的mat文件，其次可以比较清晰的看到mat文件中保存数据的key值，便于后续的提取。

python操作.mat文件

在win10中，打开

ITC_VD 数据集格式，

结果在训练集ITC_VD_Training_Testing_set中，看到标签文件全是快捷方式，

选中一个文件，右键 属性，看到：

Microsoft Access Table Shortcut (.mat)

查了半天，发现是.mat 的 matlab格式，

python读取.mat格式

from scipy.io import loadmat  
m = loadmat(r"E:\data\yolov5_dbb\ITC_VD_Training_Testing_set\Training\GT/00064.mat")
 
daaa=m.keys()
print(daaa)
 
print(m['x00064'])

.mat 文件里的数据结构是 dict ，所以取值要按照 key:value 的形式：

上面读出来的数据是 ndarray 类型，为了方便数据的展示，我们可以将其转换为，pandas的DataFrame：

import pandas as pd
 
df = pd.DataFrame(m['H_BETA'])
 
df.head()

mat转图片

import glob 
import cv2
import numpy as np
 
r_path=r'C:\File\2021-11'
 
files=glob.glob(r_path+"/*.mat")
from scipy.io import loadmat 
 
# 数据矩阵转图片的函数
def MatrixToImage(data):
    # data = data * 255
    new_im = data.astype(np.uint8)
    return new_im 
 
for file in files:
 
    if "2018" in file:
        continue
    print(file)
    m = loadmat(file)
 
    daaa = m.keys()
 
    data=m['groundTruth']
 
    print(data)
 
    new_im = MatrixToImage(data)
    cv2.imshow("asdf",new_im)
    cv2.waitKey()
 
    # print(data)

以上为个人经验，希望能给大家一个参考，也希望大家多多支持本站。