• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Leer y guardar archivos de Matlab en Python

SciPy

febrero 14, 2020 Por Daniel Rodríguez 6 comentarios
Tiempo de lectura: 3 minutos

Para aquellos que trabajamos al mismo tiempo con Matlab y Python es posible que nos encontremos con la necesidad tanto de leer cómo guardar archivos de Matlab en Python. Archivos binarios los cuales suelen tener la extensión mat. Esto es algo que se puede hacer fácilmente con SciPy.

Crear un archivo mat

En primer lugar, necesitamos crear un archivo mat. Algo que se puede hacer desde Python, pero que vamos a hacer desde Matlab utilizando el siguiente código.

A = [1,2,3;4,5,6;7,8,9];
B = 1:10;
save('example.mat', 'A', 'B', '-mat');

Ejemplo con el que se ha creado un archivo mat llamado example.mat en el que se guarda dos variables.

Lectura los archivos desde Python

La lectura de los archivos Matlab en Python se realiza mediante la función loadmat que se encuentra en la librería scipy.io. Librería que por conveniencia se importa como sio. Así la forma básica para cargar el archivo Matlab en Python es pasando el nombre la ruta al archivo a la función loadmat.

import scipy.io as sio

mat = sio.loadmat('example.mat')

mat['A']
mat['B']
[[1 2 3]
 [4 5 6]
 [7 8 9]]
[[ 1  2  3  4  5  6  7  8  9 10]]

Obteniéndose un diccionario en el que se pueden localizar cada una de las variables que se encuentra en el archivo.

Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT
En Analytics Lane
Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT

En el caso de que solamente queramos cargar un con subconjunto de las variables que se encuentran en el archivo de Matlab se puede indicar estas mediante la propiedad variable_names. Propiedad a la que se le debe pasar una lista con los nombres de las variables. Por ejemplo, para importar solamente la variable A se debería escribir la siguiente línea de código

mat = sio.loadmat('example.mat', variable_names=['A'])

Publicidad


Información de las variables contenidas en el archivo

Puede que no sepamos qué variables contiene el archivo Matlab con el que estemos trabajando. Si no queremos cargar todo el contenido del archivo para saberlo se puede usar la función whosmat() que nos devuelve un listado de las variables en tuplas con el nombre, el tamaño y el tipo de dato contenido. En el caso del archivo que estamos usando de ejemplo se obtiene el siguiente resultado.

sio.whosmat('example.mat')
[('A', (3, 3), 'double'), ('B', (1, 10), 'double')]

Guardar archivos Matlab desde Python

Finalmente, se puede guardar las variables que tengamos en Python en un archivo de Matlab. Para esto se encuentra disponible la función savemat. Función a la que se le debe pasar el nombre del archivo seguido de un diccionario con los datos que se desean guardar. Siendo las claves del diccionario las variables que posteriormente se recuperará en Matlab u otra sesión de Python. Así, para guardar el archivo solamente se tiene que escribir.

sio.savemat('python.mat', {'A1': [0, 1, 2], 'A2': 0})

Conclusiones

En esta entrada se ha visto los fácil que es tanto leer como guardar archivos de Matlab en Python. Algo que nos permite intercambiar información de una forma eficiente entre estas dos herramientas. Siendo esta una alternativa a usar Python desde Matlab como se visto anteriormente.

Imagen de Alexas_Fotos en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicidad


Publicaciones relacionadas

  • Lanzamos el video de ScoreFlow: crea scorecards de crédito de forma ágil y sin IT
  • El bestiario de los indicadores económicos absurdos: El zoo patrio
  • Las fórmulas con DNI, o cómo dividir cualquier cosa entre cualquier otra cosa puede acabar publicado en un titular serio – El bestiario de los indicadores económicos absurdos (parte 5)
  • Data Leakage en Credit Scoring: El Error que Invalida tu Modelo
  • La liga internacional, o cuando Harvard y Johns Hopkins suman peras con manzanas – El bestiario de los indicadores económicos absurdos (parte 6)
  • Los indicadores que se autocumplen, o cuando medir es modificar – El bestiario de los indicadores económicos absurdos (parte 7)
  • Customer Lifetime Value: la fórmula clásica que todo analista debería dominar
  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado
  • DBSCAN y la selección de ε: teoría, intuición y aplicación práctica

Publicado en: Matlab, Python Etiquetado como: SciPy

Interacciones con los lectores

Comentarios

  1. alex dice

    noviembre 17, 2020 a las 5:03 pm

    si guardo una variable (la palabra “control”) en matlab como hago para que la muestre en python ?

    Responder
    • Daniel Rodríguez dice

      noviembre 17, 2020 a las 9:47 pm

      Como se indica en la entrada en Python lo que se consigue es un diccionario con las variables que se han guardado en Matlab. Así que para obtener una variable llamada control lo único que se pude hacer es asignar el valor del diccionario a una variable

      control = mat['control']

      Responder
  2. Juan dice

    enero 27, 2021 a las 7:08 pm

    Hola, donde queda guardado el archivo .mat que se exporta desde matlab??
    Gracias!

    Responder
    • Daniel Rodríguez dice

      enero 27, 2021 a las 8:33 pm

      El archivo mat con el código de la entrada se guarda en la carpeta actual de la sesión de Matlab. La carpeta se pude ver en la ventana de Matlab o también se puede obtener con el comando pwd.

      Responder
  3. Benjamin dice

    agosto 30, 2021 a las 9:35 pm

    Como puedo graficar estos archivos .mat en Python?

    Responder
    • Daniel Rodríguez dice

      agosto 31, 2021 a las 9:20 am

      Una vez importados los datos del archivo mat se pueden graficar como cualquier otro dato, para lo que se puede usar su librería favorita (Matplotlib, Seaborn, …).

      Responder

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado

julio 21, 2026 Por Daniel Rodríguez

Los indicadores que se autocumplen, o cuando medir es modificar – El bestiario de los indicadores económicos absurdos (parte 7)

julio 16, 2026 Por Daniel Rodríguez

Customer Lifetime Value: la fórmula clásica que todo analista debería dominar

julio 14, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado publicado el julio 21, 2026 | en Ciencia de datos
  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • ¿Por qué recibo ‘NameError: name X is not defined’ en Python? Aprende cómo solucionarlo publicado el marzo 17, 2025 | en Python
  • Nuevo simulador del problema de Monty Hall en el laboratorio de aplicaciones de Analytics Lane publicado el abril 8, 2026 | en Noticias
  • WOE e IV: La Base Matemática del Credit Scoring publicado el mayo 5, 2026 | en Ciencia de datos

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto