Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.
Los datos pueden requerir técnicas de preprocesamiento con el fin de garantizar un análisis preciso, eficiente o significativo. La depuración de datos alude a todos aquellos métodos que se utilizan para buscar, eliminar y reemplazar datos incorrectos o ausentes. La detección de cambios de extremos locales y cambios abruptos puede ayudar a identificar tendencias de datos significativas. El suavizado y la eliminación de tendencia son procesos que se emplean para eliminar el ruido y las tendencias polinómicas de los datos, mientras que el escalado cambia los límites de los datos. Los métodos de agrupación y discretización identifican las características de los datos por grupos.
Clean Missing Data | Find, fill, or remove missing data in the Live Editor |
Clean Outlier Data | Find, fill, or remove outliers in the Live Editor |
Find Change Points | Find abrupt changes in data in the Live Editor |
Find Local Extrema | Find local maxima and minima in the Live Editor |
Smooth Data | Smooth noisy data in the Live Editor |
Remove Trends | Remove polynomial trend from data in the Live Editor |
Join Tables | Combine two tables using key variables in the Live Editor |
Clean Messy and Missing Data in Tables
This example shows how to find, clean, and delete table rows with missing data.
Elimine las tendencias lineales de los datos.
Grouping Variables To Split Data
You can use grouping variables to categorize data variables.
Split Data into Groups and Calculate Statistics
This example shows how to group data and apply statistics functions to each group.
Split Table Data Variables and Apply Functions
This example shows how to group data variables and apply functions to each group.