La traducción de esta página aún no se ha actualizado a la versión más reciente. Haga clic aquí para ver la última versión en inglés.

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 (desde R2022a)

Tareas de Live Editor

Clean Missing Data	Find, fill, or remove missing data in the Live Editor (desde R2019b)
Clean Outlier Data	Find, fill, or remove outliers in the Live Editor (desde R2019b)
Compute by Group	Summarize, transform, or filter by group in the Live Editor (desde R2021b)
Find Change Points	Find abrupt changes in data in the Live Editor (desde R2019b)
Find Local Extrema	Find local maxima and minima in the Live Editor (desde R2019b)
Normalize Data	Center and scale data in the Live Editor (desde R2021b)
Smooth Data	Smooth noisy data in the Live Editor (desde R2019b)
Find and Remove Trends	Find and remove polynomial or periodic trends from data in the Live Editor (desde R2019b)

Funciones

expandir todo

Datos ausentes y valores atípicos

`anymissing`	Determine if any array element is missing (desde R2022a)
`ismissing`	Find missing values
`rmmissing`	Remove missing entries
`fillmissing`	Fill missing entries
`fillmissing2`	Fill missing entries in 2-D data (desde R2023a)
`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 (desde R2021b)

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
`pivot`	Summarize tabular data in pivoted table (desde R2023a)
`groupsummary`	Group summary computations
`groupcounts`	Number of group elements (desde R2019a)
`groupfilter`	Filter by group (desde R2019b)
`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
Limpie tablas con valores de datos ausentes con funciones que estandaricen, rellenen o eliminen los valores ausentes. Reorganice tablas con funciones que ordenen las filas y muevan las 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.