安装了MATLAB 2014b或更新版本后，可以使用MATLAB for Python引擎:

import matlab.engine
eng = matlab.engine.start_matlab()
content = eng.load("example.mat", nargout=1)

既不scipy.io。savemat，或scipy.io.loadmat适用于MATLAB数组版本7.3。但好的部分是MATLAB版本7.3文件是hdf5数据集。因此，可以使用包括NumPy在内的许多工具读取它们。

对于Python，您将需要h5py扩展，这需要在您的系统上安装HDF5。

import numpy as np
import h5py
f = h5py.File('somefile.mat','r')
data = f.get('data/variable1')
data = np.array(data) # For converting to a NumPy array

还有MathWorks本身的Python MATLAB引擎。如果你有MATLAB，这可能值得考虑(我自己没有尝试过，但它有很多功能，而不仅仅是读取MATLAB文件)。然而，我不知道是否允许将其分发给其他用户(如果这些人拥有MATLAB，这可能不是问题。否则，也许NumPy才是正确的选择?)

此外，如果您想自己完成所有的基础工作，MathWorks提供了关于文件格式结构的详细文档(如果链接更改，请尝试谷歌获取matfile_format.pdf或其标题MAT-FILE Format)。这并不像我个人想的那么复杂，但显然，这不是最简单的方法。这也取决于你想要支持多少个.mat文件的特性。

我写了一个“小”(大约700行)的Python脚本，它可以读取一些基本的.mat文件。我既不是Python专家，也不是初学者，我花了大约两天时间来编写它(使用上面链接的MathWorks文档)。我学到了很多新东西，而且很有趣(大部分时间)。由于Python脚本是我在工作中编写的，恐怕我不能发布它…但我可以在这里给出一些建议:

首先阅读文档。 使用十六进制编辑器(如HxD)并查看您想要解析的引用.mat文件。 通过将字节保存到.txt文件中并注释每行来尝试找出每个字节的含义。 使用类保存每个数据元素(如miCOMPRESSED、miMATRIX、mxDOUBLE或miINT32) .mat-files的结构是保存树形数据结构中的数据元素的最佳结构;每个节点有一个类和一个子节点

将mat文件读入混合数据类型的pandas dataFrame

import scipy.io as sio
mat=sio.loadmat('file.mat')# load mat-file
mdata = mat['myVar']  # variable in mat file 
ndata = {n: mdata[n][0,0] for n in mdata.dtype.names}
Columns = [n for n, v in ndata.items() if v.size == 1]
d=dict((c, ndata[c][0]) for c in Columns)
df=pd.DataFrame.from_dict(d)
display(df)

除了v4 (Level 1.0)， v6, v7到7.2 matfiles和h5py. io.loadmat之外。文件7.3格式matfiles，有另一种类型的matfiles在文本数据格式而不是二进制，通常由Octave创建，这甚至不能在MATLAB中读取。

scipy.io.loadmat和h5py。文件不能加载它们(在scipy 1.5.3和h5py 3.1.0上测试)，我找到的唯一解决方案是numpy.loadtxt。

import numpy as np
mat = np.loadtxt('xxx.mat')

安装了MATLAB 2014b或更新版本后，可以使用MATLAB for Python引擎:

import matlab.engine
eng = matlab.engine.start_matlab()
content = eng.load("example.mat", nargout=1)