本文介绍使用`scipy.io.loadmat`读取含嵌套结构体的matlab .mat文件，并通过字典推导式高效提取`fanmap`和`fanmap1d`中全部字段，统一转为numpy数组，支持任意维度与命名访问。
MATLAB .mat 文件（尤其v7.3以下版本）常以结构体（struct）形式存储多组异构数组，例如本例中的 fanmap 和 fanmap1D。它们并非普通NumPy数组，而是numpy.ndarray类型的结构化数组（structured array），其元素为dtype定义的字段集合，需通过索引（如 [0, 0]）先定位到结构体实例，再用字段名访问内部数据。
正确解析的关键在于理解loadmat的返回结构：
- mat['fanmap'] 是形状为 (1, 1) 的结构化数组；
- mat['fanmap'][0, 0] 才是实际的结构体对象；
- mat['fanmap'][0, 0].dtype.names 提供所有字段名列表；
- 每个字段（如 'pressure', 'efficiency'）可通过 mat['fanmap'][0, 0]['fieldname'] 获取原始数组，再经 np.array() 确保类型纯净（尤其避免np.matrix等过时类型）。
以下是完整、健壮的转换代码：
from scipy.io import loadmat
import numpy as np
# 加载.mat文件
mat = loadmat("FanMap_data.mat")
# 提取fanmap中所有字段并转为标准NumPy数组
if 'fanmap' in mat and mat['fanmap'].size > 0:
fanmap_struct = mat['fanmap'][0, 0]
fanmap_arrays = {
key: np.array(fanmap_struct[key]).squeeze() # .squeeze()可选：移除长度为1的维度（如(1,15)→(15,)）
for key in fanmap_struct.dtype.names
}
else:
fanmap_arrays = {}
# 提取fanmap1D中所有字段
if 'fanmap1D' in mat and mat['fanmap1D'].size > 0:
fanmap1D_struct = mat['fanmap1D'][0, 0]
fanmap1D_arrays = {
key: np.array(fanmap1D_struct[key]).squeeze()
for key in fanmap1D_struct.dtype.names
}
else:
fanmap1D_arrays = {}
# 验证结果
print("✅ fanmap 包含数组：")
for name, arr in fanmap_arrays.items():
print(f" '{name}' → shape {arr.shape}, dtype {arr.dtype}")
print("\n✅ fanmap1D 包含数组：")
for name, arr in fanmap1D_arrays.items():
print(f" '{name}' → shape {arr.shape}, dtype {arr.dtype}")注意事项： 若.mat文件由MATLAB R2016b+保存且启用-v7.3选项，则需改用h5py库读取（scipy.io.loadmat不支持HDF5格式）； .squeeze() 可按需添加，用于简化单维数组（如 (1, 15) → (15,)），但若后续需保持二维语义（如矩阵运算），应保留原始形状； 字段名区分大小写，确保MATLAB中定义的字段名与Python中引用一致； 建议增加try/except或存在性检查（如示例所示），避免因字段缺失导致运行时错误。
转换后，所有数组均以标准numpy.ndarray形式存于字典中，可直接用于科学计算、绘图（如matplotlib）、机器学习（如scikit-learn）等下游任务，实现MATLAB数据到Python生态的无缝迁移。
