Python读取与保存MATLAB .mat数据及类型转换避坑指南

Ada

发布时间：2026-10-16| 3人浏览过

原创

本文详解Python中利用scipy和h5py库读取及保存MATLAB .mat数据的方法。重点解决savemat需传入字典格式的问题，并深入分析uint8数据在Python与Matlab运算中的溢出差异。通过对比int8与float类型转换结果，推荐在涉及图像加减运算时使用float格式以保证精度，避免数据错误。

处理matlab的mat数据

Python和Matlab是实验室中常用的两种平台工具。在实际应用中，经常需要在这两个平台之间交换数据，因此掌握数据的读取与保存方法至关重要。这通常需要借助Python第三方库中的scipy模块来实现。

首先，使用以下命令检查是否已安装scipy库。

import scipy

若安装失败或报错，可通过执行python install scipy或conda install scipy命令进行下载安装。

在scipy模块中，主要使用输入输出类提供的loadmat和savemat方法来进行数据的加载与保存操作。

import scipy.io as sio
 
sio.loadmat(file_name, mdict=None, appendmat=True, **kwargs)
sio.savemat(file_name, mdict, appendmat=True, format='5', long_field_names=False, do_compression=False, oned_as='row'

下面介绍一个常见的错误示例：savemat方法要求传入的参数必须为字典格式。

import scipy.io as sio
import numpy as np
 
x = np.ones((3,3))
 
x
Out[86]: 
array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])
 
sio.savemat('f.mat',x)
Traceback (most recent call last):
 
  File "<ipython-input-87-d739bc03c885>", line 1, in <module>
    sio.savemat('f.mat',x)

接下来展示一个简单的保存与导入示例。

import scipy.io as sio
import numpy as np
 
x = np.ones((3,3))
 
x
Out[86]: 
array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])
 
sio.savemat('f.mat',{"x":x})
 
 
 
myMat =sio.loadmat('f.mat')
 
print(myMat) #输出为字典
{'__header__': b'MATLAB 5.0 MAT-file Platform: nt, Created on: Fri Aug 21 16:29:37 2020', '__version__': '1.0', '__globals__': [], 'x': array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])}
 
#以保存名为key，输出list value
print(myMat['x'])
[[1. 1. 1.]
 [1. 1. 1.]
 [1. 1. 1.]]

若希望将Python数据保存为mat格式，由于Python原生不支持cell格式，而mat文件可能包含cell数据，因此需要借助numpy模块进行处理，具体可参考相关技术博客。

处理matlab的*.mat格式数据及常见错误汇总

由于Matlab和Python的编程逻辑存在差异，在混合编程时，常需利用Python调用Matlab格式的数据。下文将介绍如何调用mat格式数据以及常见错误的解决方法，供参考。

一、数据读取错误

＃　最初用loadmat读取数据
import numpy as np
from scipy.io mport loadmat
img = loadmat('im.mat')['im']   #im.mat为mat数据的名称，['im'] 中的im表示该文件下im的数据

使用上述代码读取数据时，可能会遇到如下错误提示。

若出现上述错误，建议改用以下方式读取数据。

import h5py
img = h5py.File('im.mat')['im']
img = h5py.File('im.mat'，'r')['im']    # 无警告

二、数据类型错误

在使用Python处理图像时，若涉及加减运算，因数据类型限制导致的溢出值可能会被重新赋值为255或0。

# python代码
import h5py
import numpy as np
img = h5py.File('im.mat')['im']
# python中的M，N刚刚好与matlab中的M，N取值相反，此处进行转置与matlab相同矩阵格式进行处理
x = np.array(img).T  
[M, N] = x.shape
if M < 16 and N < 16:
    score = -2
# Feature Extraction:
# 1. horizontal features
d_h = x[:, 1:N] - x[:, 0:N - 1]   # 该步操作图像产生满溢，溢出后差值可能都被赋为255，依次递减

这种情况下，d_h数据会出现满溢现象。下面展示了相同数据在Python和Matlab环境下运算结果的差异。

% Matlab 代码
img = laod('im.mat')
[M, N] = size(x)
if M < 16 | N < 16
    score = -2;
end   
x = double(img);  % 将无符号类型uint8数据类型转换为double类型
% Feature Extraction:
% 1. horizontal features
d_h = x(:, 2:N) - x(:, 1:(N-1));

原因分析：导入的数据类型为uint8格式，该格式不支持负数。在Matlab中进行运算时，系统会自动将uint8类型转换为double类型后再进行减法运算，因此结果正常。但在Python中，由于没有自动转换机制，需手动设置数据类型。只需将数据类型改为非uint8格式即可（具体格式需根据需求确定，此处修改为int8格式）。解决方法非常简单，只需在读取代码的一行中加入数据类型指定即可。

x = np.array(img,dtype = 'int8').T   # 对读取的uint8格式数据进行重新定义一下格式即可
x = np.array(img,dtype = 'float').T   # 下面这种格式虽然是浮点型，但是计算过程不容易出错，如果是上面的int8会出现部分错误，需要注意

现在查看结果，处理效果与Matlab一致。

虽然下方示例使用的是浮点型，但能确保数据转化的精度和准确性，img影像数据转化为数值时不会出错。非必要情况下，不建议使用int8数据格式，因为int8在某些部分可能出现错误，这一点务必注意。例如在改组数据中，坐标(0,80)处的数值在int8格式转化时出错，原始数值为129，转化后变为127；而使用float格式则不会出现此类错误。