Preprocesamiento de datos

Depuración, suavizado y agrupamiento de datos

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.

Apps

Data Cleaner

Preprocess and organize column-oriented data

Tareas de Live Editor

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
Compute by Group	Summarize, transform, or filter by group 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
Normalize Data	Center and scale data in the Live Editor
Smooth Data	Smooth noisy data in the Live Editor
Remove Trends	Remove polynomial trend from data in the Live Editor

Funciones

expandir todo

Datos ausentes y valores atípicos

`anymissing`	Determine if any array element is missing
`ismissing`	Find missing values
`rmmissing`	Remove missing entries
`fillmissing`	Fill missing values
`missing`	Create missing values
`standardizeMissing`	Insert standard missing values
`isoutlier`	Find outliers in data
`filloutliers`	Detect and replace outliers in data
`rmoutliers`	Detect and remove outliers in data
`movmad`	Moving median absolute deviation

Detección de puntos de cambio y de extremos locales

`ischange`	Find abrupt changes in data
`islocalmin`	Find local minima
`islocalmax`	Find local maxima

Suavizado de datos y detección de tendencias

`smoothdata`	Smooth noisy data
`movmean`	Moving mean
`movmedian`	Moving median
`detrend`	Remove polynomial trend
`trenddecomp`	Find trends in data

Normalización y escalado de datos

`normalize`	Normalize data
`rescale`	Scale range of array elements

Agrupación y discretización de datos

`discretize`	Group data into bins or categories
`groupcounts`	Number of group elements
`groupfilter`	Filter by group
`groupsummary`	Group summary computations
`grouptransform`	Transform by group
`histcounts`	Histogram bin counts
`histcounts2`	Bivariate histogram bin counts
`findgroups`	Find groups and return group numbers
`splitapply`	Split data into groups and apply function
`rowfun`	Apply function to table or timetable rows
`varfun`	Apply function to table or timetable variables
`accumarray`	Accumulate vector elements

Temas

Limpiar datos confusos y datos ausentes en MATLAB
Este ejemplo muestra cómo encontrar, limpiar y eliminar filas de tabla con datos ausentes.
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.
Perform Calculations by Group in Table
Specify groups of data in tables and timetables, and perform calculations by group. Choose a function for group calculations using these recommendations.