Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

Tipos de datos

La agrupación de variables, datos categóricos y matrices de DataSet

proporciona dos tipos de datos adicionales.Statistics and Machine Learning Toolbox™ Trabaje con datos no numéricos y discretos ordenados y desordenados mediante los tipos de datos y.nominalordinal Almacene varias variables, incluidas las que tienen tipos de datos diferentes, en un único objeto mediante el tipo de datos de matriz.dataset Sin embargo, estos tipos de datos son únicos.Statistics and Machine Learning Toolbox Para una mayor compatibilidad entre productos, utilice los tipos de datos o, respectivamente, disponibles en.categoricaltableMATLAB® Para obtener más información, consulte o vea.Crear matrices categóricas (MATLAB)Crear y trabajar con tablas (MATLAB)Tablas y matrices categóricas

Funciones

expandir todo

nominalMatrices para datos nominales
ordinalMatrices para datos ordinales
dummyvarCrear variables ficticias
gplotmatrixMatriz de parcelas de dispersión por grupo
grp2idxCrear vector de índice a partir de la variable de agrupación
gscatterGráfico de dispersión por grupo
mat2datasetConvierta matriz en matriz de DataSet
cell2datasetConvierta la matriz de celdas en matriz de DataSet
struct2datasetConvierta la matriz de estructura en matriz de DataSet
table2datasetConvertir tabla en matriz de DataSet
dataset2cellConvierta la matriz de DataSet en matriz de celdas
dataset2structConvierta la matriz de DataSet en estructura
dataset2tableConvierta la matriz de DataSet en tabla
exportEscriba array de DataSet para
ismissingBuscar elementos de matriz de DataSet con valores faltantes
joinFusionar observaciones

Clases

DatasetLos arrays para datos estadísticos

Temas

Datos categóricos

Matrices nominales y ordinales

Las matrices nominales y ordinales almacenan datos que tienen un conjunto finito de niveles discretos, que pueden o no tener un orden natural.

Ventajas de utilizar matrices nominales y ordinales

Manipule fácilmente los niveles de categoría, realice análisis estadísticos y reduzca los requisitos de memoria.

Agrupar variables

Las variables de agrupamiento son variables de utilidad utilizadas para agrupar o categorizar observaciones.

Variables indicadoras ficticias

Las variables de indicador ficticios permiten adaptar los datos categóricos para utilizarlos en el análisis de regresión.

Otras funciones de MATLAB que admiten matrices nominales y ordinales

Obtenga información sobre las funciones que admiten matrices nominales y ordinales.MATLAB

Cree matrices nominales y ordinales

Cree matrices nominales y ordinales mediante y, respectivamente.nominalordinal

Clasificar Numeric Data

Categorice los datos numéricos en una matriz ordinal categórica mediante.ordinal

Cambiar etiquetas de categoría

Cambie las etiquetas de los niveles de categoría en matrices nominales o ordinales mediante.setlabels

Añadir y soltar niveles de categoría

Agregue y suelte los niveles de una matriz nominal u ordinal.

Fusionar niveles de categoría

Combinar categorías en una matriz nominal o ordinal mediante.mergelevels

Reordenar niveles de categoría

Reordenar los niveles de categoría en matrices nominales o ordinales utilizando.reorderlevels

Ordene las matrices ordinales

Determine el orden de ordenación de las matrices ordinales.

Trazar datos agrupados por categoría

Trazar los datos agrupados por los niveles de una variable categórica.

Resumen de las estadísticas agrupadas por categoría

Calcular estadísticas de Resumen agrupadas por niveles de una variable categórica.

Las diferencias de prueba entre categoría significa

La prueba de diferencias significativas entre la categoría (grupo) implica el uso de un análisis de la prueba, de dos vías ANOVA (análisis de varianza) y ANOCOVA (análisis de covarianza).t

Índice y búsqueda mediante matrices nominales y ordinales

Indexar y buscar datos por su categoría o grupo.

Regresión con covariables categóricas

Realice una regresión con covariables categóricas utilizando matrices categóricas y.fitlm

Matrices de DataSet

Matrices de DataSet

Las matrices de DataSet almacenan datos con tipos heterogéneos.

Cree una matriz de DataSet a partir de variables de espacio de trabajo

Cree una matriz de conjunto de datos a partir de una matriz numérica o variables heterogéneas existentes en el área de trabajo.MATLAB

Cree una matriz de DataSet a partir de un archivo

Cree una matriz de conjunto de datos a partir del contenido de un texto delimitado por tabuladores o separados por comas, o un archivo de Excel.

Agregar y eliminar observaciones

Agregar y eliminar observaciones en una matriz de conjunto de datos.

Agregar y eliminar variables

Agregar y eliminar variables en una matriz de conjunto de datos.

Acceso a datos en variables de matriz de DataSet

Trabaje con variables de matriz de DataSet y sus datos.

Seleccione subconjuntos de observaciones

Seleccione una observación o subconjunto de observaciones de una matriz de DataSet.

Ordenar observaciones en matrices de DataSet

Ordene las observaciones (filas) en una matriz de conjunto de datos mediante la línea de comandos.

Combinar matrices de DataSet

Combinar matrices de DataSet mediante.join

Las matrices de conjuntos de datos stack o unstack

Volver a formatear matrices de DataSet mediante y.stackunstack

Limpie los datos desordenados y faltantes

Buscar, limpiar y eliminar observaciones con datos faltantes en una matriz de DataSet.

Cálculos en matrices de DataSet

Realice cálculos en matrices de conjuntos de datos, incluido el promediado y el resumen con una variable de agrupación.

Exportar matrices de DataSet

Exporte una matriz de DataSet desde el espacio de trabajo a un archivo de texto o de hoja de cálculo.MATLAB

Conjuntos de datos en el editor de variables

El editor de variables proporciona una interfaz conveniente para ver, modificar y trazar matrices de DataSetMATLAB

Conjuntos de DataSet de índice y búsqueda

Aprenda las distintas formas de indexar en matrices de DataSet.

Regresión mediante matrices de DataSet

En este ejemplo se muestra cómo realizar análisis de regresión lineales y escalonado mediante matrices de conjuntos de datos.