最近在知乎上看到这样一个问题，大家讨论的非常火热，特将挑选了有代表性的观点供大家讨论。

提问：目前在自学matlab，但看到铺天盖地劝退matlab建议转Python，吐槽matlab各种不如Python，但是我们老师都是向学生推荐matlab，请问matlab现在逐渐被Python淘汰吗？

ID 陈伟杰：

不会被淘汰，但MATLAB市场会被挤压得很惨。如果不是因为很多新入行的年轻人都在用Python，为了交流学习，我都不太想用Python。我至今都觉得SciPy体系只是个“乞丐版“的MATLAB。

Python和他的伙伴们（SciPy，NumPy，SymPy，Matplotlib这些）能战胜MATLAB全靠开源免费吸引战略人才加入。就一般使用者来说，Python比MATLAB没啥显著优势，反倒是很高的学习成本，手上要解决的问题先得放下几个月，得先学Python和各个library。

SciPy，NumPy，SymPy这些library，用过的同学都知道，那个documentation的水平差MATLAB太远了，MATLAB的documentation不但是MATLAB的教材，还可以当很多科学学课的教材用。

你们可以去翻下Scipy和NumPy的documentation，简直是云里雾里，经常都是说到一半就没了，你还期望看个例子，也没有，不停要在google上搜。搜着搜着，我有时候就忘了手里要解决什么问题了。

SymPy是个超级强大的library，大家都低估它了，以为它只会搞搞符号运算，推个公式这些。我不知道是我水平不行还是，那个domentation里找啥没啥，我经常找不到需要的method或者function，只能翻开源码里面的docstring来找答案。

而且几个library里经常有些重叠的内容，连方程名字都一样（这就是用python必须要防止name contamination的原因），比如你要算一个矩阵的特征值/向量，SciPy，NumPy，SymPy都能做，但是你需要什么样子的结果？需要复数吗？需要normalized的特征向量吗？需要用什么算法？你要分别翻开三个包网站分别去查，而且还经常查不到，还是只能去翻源码。

MATLAB就是一站式解决，不同toolbox的documentation相互有参考链接。

即便是这样，在目前来看，我用Python的时间已经超过MATLAB了。因为时代在变，MATLAB的黄金年代已经过了，大家都要进步。

ID 徐方鑫：

不太会，当下Matlab最优势的应该是各个专业工具箱了，其实Matlab已经在转型了，基本的功能变得比较弱化，但是一个个工具箱开始被强化到无可替代。早前我们学习的时候，Matlab实际上是作为一个矩阵计算软件，从仅仅是计算软件而言，这点确实可以被Python替代了，Python免费而且体积小，而Matlab收费且越来越大。所以如果题目说”Matlab在大学的基础课程教育中，会不会被Python淘汰？“，这个倒感觉有这个趋势。

不过在专业性越高的需求，Matlab的功能也就越强，而且比原来的matlab要强很多。感觉一开始学习matlab的时候，很多代码实际上都是大家自己做的开源的，所以很多地方也有不严谨的地方，但是后来matlab就是官方加持了，示例代码的质量和工具箱的质量都提升了好多。

ID 星空：

我计算机系的，我们学校数学实验要用matlab。。。我就贼烦，为啥不用Python啊？Python作为一个解释型语言又简单而且第三方库又多，matlab有啥功能第三方库拉一个不就可以了吗？反正Python第三方库开发者那么多。

后来写第一次作业。。。好香！对于计算机系同学而言，matlab上手难度几乎没有。对于没有编程经验的其他系同学，matlab也比Python上手友好很多（下载一个软件全搞定，不用很麻烦地配置环境）；而且matlab在数学这一块处理真的是专业！数据类型优化到感觉不到，也是解释型语言，函数支持丰富，支持先定义结构。

可能matlab最大的问题就是不开源，单买对于我们的消费习惯来说有些小贵。

ID 哦啦啦啦啦啦：

观点是技多不压身，你有空纠结，两个都可以学掉了。matlab以它独特的对于python显著优势，不会被淘汰。两者都有极其对付的受众，有庞大的用户群体。

本人非CS系，不需要把代码当学问，只把各类编程语言当工具，最重要的是效率和效果。而不同语言都有各自的价值。类似西厨的价值观，对我来说学一门语言就像入手一把新的菜刀，我做不同菜用不同刀就好了。做实验数据拟合，物理原理模拟等科学运算(个人部署)我首选Matlab.

优点：Matlab上手很快，灵魂是对矩阵处理运算很舒服，相比python拿来做科学运算就不用import numpy as np, 然后各种np.(其实np语法和matlab和octave很多很像，所以迁移起来不难，主要要熟练一下两个语言中括号的不同boardcasting) 。matlab更简洁，更舒服，各种工具包也很强大，文件数据读写等都有现成函数，很多数值方法求解的内置函数，用来解微分方程组等再舒服不过了。matlab还出了app可以随时随地编程，直接连上仪器就可以获取数据，并且手机自己也可以当sensor,这个真的很有意思。

缺点：可读性稍微差点(只是说稍微)，几个人肝的大项目写法不同，读起来相比python累一点。容易找不到错误，而有时候就是.*和*错了，python的话用np.multiply和np.dot就比较容易发现。需要爬数据，数据可视化，深度学习或者需要对接数据库API,大的连续项目一般我选择用python，底层运算用c/c++

优点：整体化，各类大神把其他语言能做的都做了相同的包到python上，你就可以像搭积木一样进行编程，就像一个收纳盒子，集百家之长。再加上不要乱写的话可读性非常高，个人体会来看这两方面大大缩短开发周期；好维护；面向对象的编程语言；深度学习的开发(pytorch,tensorflow:虽然tf对于我像神经分裂一样难用，静态图到keras过度真的整麻了)，两个包是此领域的大杀器，GPU部署友好，直接用就行，拥有他们你的思路可以改得快，丝毫不虚中途改组网络而去纠结backprop修改和每一步张量大小是否正确；jupyter notebook，这玩意儿真的太爽了，无论是去搞懂别人代码思路，还是de自己的bug，或者做笔记一绝，在数据科学领域也是一绝；跨平台部署方便。

所以不必纠结，都试试，处理问题时哪把刀最顺手就用哪把，干净利落，不必硬要一把刀走遍天，问题能够顺利解决才是最好的，选择最快最舒服的路。

ID 西蒙宫：

Python的优势

● Python相对于Matlab最大的优势∶免费。

● Python次大的优势∶开源。你可以大量更改科学计算的算法细节。

● 可移植性，Matlab必然不如Python。但你主要做工程，这方面需求应当不高。

● 第三方生态，Matlab不如Python。比如3D的绘图工具包，比如GUI，比如更方便的并行，使用 GPU，Functional等等。长期来看，Python的科学计算生态会比Matlab好。

● 语言更加优美。另外如果有一定的OOP需求，构建较大一点的科学计算系统，直接用Python比用Matlab混合的方案肯定要简洁不少。

● Python是通用的编程语言，做做Web，搞个爬虫，编个脚本，写个小工具啥的用处广。要说非得用Matlab干么也成，只是……

Matlab的优势

● Community. 某些领域就是用matlab方便，大家的论文都用matlab，那你—个人用python肯定不行，反之亦然。

● Simulink，是垄断的，目前没有替代品。

● Matlab本来号称更快，但实际上由于Python越来越完善的生态，这个优势已经逐渐丧失了。

总结

既然老师都推荐用matlab，肯定在你的领域是matlab用的多，那都没什么可犹豫的，直接上 matlab先学懂，即使后期需要python，接着学就好了，两门语言语法层面没什么难点。在科学计算领域，懂基本语法已经足够了，设计模式、算法、数据机构那不是你需要关心的东西。做工程就是遇到什么问题解决什么问题。

ID pb博：

曾几何时，为了拥抱python，我也将自己日常科研中提出的算法都拿numpy，scipy以及其他第三方packages来仿真和验证。然而最近有两次，我的两个算法原型在python里验证怎么都得不到和理论上完全一致的结果。第一个根本没法得到reasonable的结果，第二个可以得到部分一致的结果，但是python求解用到的时间特别长。检查了N遍代码以及我的方法，都无法做到consistent，百思不得其姐到怀疑人生。最后抱着试试看的想法，把python代码对照着在matlab里逐句转换了—遍。神奇的事情发生了，第一个实验matlab里当场给出和理论上consistent的结果，第二个实验不仅得到consistent的结果，而且速度提高了N倍。

代码一样，但结果却是天差地别。究其原因我认为可能是正如 @清雨影 大佬所说，matlab在求逆、产生随机数、矩阵分解等函数上进行了比numpy、scipy相对应的函数，要多得多和细致得多的优化。因为这些函数对用户来说都是黑盒，所以要人工检差是否是这些黑盒引起的偏差实在是太麻烦了。所以如果想要快速、省心的初步验证一些自己的想法是否work，强烈推荐直接上 MATLAB。

当然上面说的仅限于科学计算相关。总结起来，大概是尽管matlab在"人无我有"方面正在走下坡路、但是在"人有我好"方面目前还有很大优势。

ID 卿颜：

Python和MATLAB，谁也淘汰不了谁。工业界，Python的生态链相比MATLAB的生态链，简直是 too young，too simple!认为MATLAB会被Python淘汰的观点，简直是naive!（因为题主提到毕业后是进入工业界，所以咱们主要谈谈MATLAB和Python在工业界的应用）。

让我们来简单罗列Python主要应用的领域∶数据分析、数据可视化、量化交易、爬虫、web开发等等。有没有发现一个规律∶

Python使用的场景，往往是不需要结合硬件、往往是单兵作战而较少与其他软件联合工作。

工业界应用有这么些特点∶

● 需要稳定可靠（如果爬虫爬到一半挂掉了，顶多就是重新运行程序;而如果飞机的控制算法挂了，有可能是要出人命的）

● 需要高效的工作效率（工作越高效，产品上市时间越早，越有可能占领市场）

● 需要结合工业硬件（比如，控制代码是运行在单片机之类的工业硬件中的，而非个人电脑）·需要联合多个软件一起工作（工业应用可能涉及多学科，需要不同的软件来专业地负责不同部分的工作）。

针对这几点，我们来逐一分析MATLAB相比Python的优势。

1、稳定可靠

假设一个场景，你是一个汽车自动驾驶开发工程师，你需要将先进、智能的控制算法引入到汽车控制器中，比如模型预测控制（MPC）。

你可能有三个选择①找一个开源的Python的MPC算法;②自己用Python写MPC算法;③直接用MATLAB的MPC工具箱中的MPC模块。

第一个方法，采用开源的Python的MPC算法，谁来保证算法的可靠性? 也许这段开源算法没怎么经过实践的考验，算法贡献者可能更多地是提供一个参考，而不能保证算法的可靠性。

第二个方法，你是一个勤劳、聪明的员工，哼次哼次花了很大力气编写出了MPC算法，同时你花了不少时间来测试这套算法的可靠性。你的领导很欣赏你的能力和努力，可心里还是有点不放心，毕竟这是关乎人命的算法。

第三个方法，MATLAB是一个商业软件，即便它不能完全保证它提供的MPC算法的可靠性，但这个算法在发布之前已经是经过了详细的测试和验证，具有较高的可靠性。鉴于MATLAB—直以来的可靠性以及在工业界的广泛使用和良好口碑，你和领导都倾向于觉得它的现成算法更可靠、更值得信任。

Python和MATLAB的可靠性差别，可能就是个人背书和商业企业背书的差别。毕意Python不会为你的算法错误负责，而MATLAB会为它提供的算法负一定的责任。

2、高效

其实在上面的例子中，已经明显体现了用MATLAB开发算法的高效性。MATLAB提供了很多现成的、经过工业界实践的算法，省去了你很多基础工作，不需要重复造轮子。

但是，MATLAB提供的现成算法肯定是有限的，必然有大量的算法是需要你自己从零构建的，这时候MATLAB还会比Python高效吗?

——MATLAB当然不可能在所有应用中都比Python高效! 但是在工业界的很多应用中，MATLAB都还是比Python高效，因为MATLAB有一个工具叫Simulink，配合Simulink还有各种代码生成神器。

工业界一个非常重要而目广泛存在的工作就是开发各种控制器（汽车控制器、飞机控制器、卫星控制器、电机控制器等等），我们以控制器开发和测试为例。针对控制器的开发和测试，汽车领域已经在广泛使用基于模型的开发方式（Model Based Development，简称MBD）。题主可能前往的航空航天领域也在逐步推广这种开发方式。汽车控制系统和航空航天控制系统的基于模型设计白皮书，请见以下链接。

基于模型设计，其核心的过程就是用Simulink搭建控制算法模型，然后使用MATLAB的Embeded Coder将模型转化成产品级代码，该代码可烧写到控制器硬件中，形成完整的控制器。

Python写算法，是撸代码的形式; Simulink建模型，是拖拽搭积木的形式。往往Simulink一个模块能顶上Python几行代码甚至几十、上百行。哪种方式效率高，一目了然。

而且很重要的，Simulink的入门难度比Python简单，Simulink模型的可读性比Python代码好， Simulink模型在后期的维护、升级、更新比Python代码方便。

一个简单的栗子。万行以上的Python代码，一旦开发者离职，后继者需要花很多精力去弄懂这些代码。对应级别的Simulink模型，开发者离职后，继承这个模型对后继者来说不是什么难事。

3、对其他软件的兼容

汽车、航空航天等领域的应用，涉及多个学科，往往需要多个软件联合使用，每个软件各尽所能∶MATLAB、AMESim、ADAMS、ANSYS、GT-SUIT等等。与控制、运动学、动力学等相关的软件，几乎所有软件都提供了MATLAB/Simulink的接口，可以与MATLAB/Simulink联合仿真或者互相传输数据。也有不少软件提供了Python的接口，但相比MATLAB/Simulink还是会少一些。

举个栗子。

控制算法开发过程中，有一个很重要的环节——离线仿真。就是将控制算法和被控对象模型都跑在电脑中，进行闭环仿真，测试控制算法的功能逻辑。控制算法，你可以用Simulink来搭建，也可以用Python编写。

被控对象模型，比如车辆模型或者飞机模型，往往是用MATLAB/Simulink或其他专业软件搭建，或者由C++代码编写，几乎没见过用Python编写的。如果你搭建被控对象模型的软件没提供Python接口，那Python编写的控制算法怎么与被控对象模型进行联合仿真呢?

4、对硬件的支持

MATLAB对各种硬件做了广泛的支持，这些硬件包括各种传感器（摄像头、激光雷达等）、各种工业控制器等等，点击以下链接查看具体情况。

对于传感器和工业控制器的支持，Python相比MATLAB是差了一截。

另外，有两个应用中，MATLAB是绝对王者。这两个应用便是控制器开发过程中广泛存在的两个环节——快速控制原型和硬件在环仿真。

对于控制器的开发，汽车领域普遍采用了V型开发流程。快速控制原型（RCP）和硬件在环仿真（HIL）是V型开发流程的两个关键环节。关于V型开发流程，可以查看 @迈特兰博 兄的文章，解释得非常清楚。

● 快速控制原型（RCP）

快速控制原型（Rapid Control Prototype，简称RCP）。实时硬件运行Simulink控制算法模型（模拟控制器），控制真实被控对象（如开关、电磁阀、电机、发动机等），快速验证该 Simulink算法。此时实时硬件可以看作是原型的控制器，通过这种方式我们快速地得到了一个原型控制器，对原型的控制算法进行测试，故称之为快速控制原型。此时，被控对象是真的，控制器是假的（所谓控制器是假的，并不是说控制器是虚拟的，而是控制器不是客户的最终控制器）。

快速控制原型中，控制算法—定是Simulink模型，而不是Python、C++之类的代码写成（纯代码没法直接编译下载到快速控制原型设备中）。这种开发方式，在包括汽车、航空航天、电力电子、机器人等领域得到广泛使用。

●  硬件在环仿真（HIL）

硬件在环仿真（Hardware-in-loop，简称HIL），是一个与快速控制原型RCP反过来的过程。实时硬件运行Simulink被控对象模型（模拟被控对象），受真实控制器的控制，以此对控制器进行测试。此时，控制器是真的，被控对象是假的。在全实物测试之前，先对控制器做一个全面的功能测试。因为该被控对象是假的，所以HIL比全实物测试安全高效，而且可以测试一些全实物测试中不容易实现的极端case。

硬件在环仿真中，被控对象的模型往往是Simulink搭建的或者Simulink与其他软件联合搭建的，而不是纯代码编写（纯代码没法直接编译下载到硬件在环仿真设备中）。这种测试方式，在包括汽车、航空航天、电力电子、机器人等领域得到广泛使用。

综上所述，在工业界，Python是无法淘汰MATLAB的。当然在很多其他应用中， Python也确实比MATLAB更受欢迎。

本文来源于网络，本着学习交流的目的进行转载，已标注原始作者和出处，如存在异议，请联系editor@xingongye.cn。如您对内容有疑问，请告之，以便我们及时处理。