• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Simulador FIRE (Financial Independence, Retire Early)
    • Herramientas
      • Formateador / Minificador de JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Trabajar con datos en formato JSON en Matlab

noviembre 14, 2018 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

JSON es un formato de texto ligero pensado para el intercambio de información entre aplicaciones. El origen de este se encuentra en la notación de objetos empleada en el lenguaje de programación JavaScript. Siendo su nombre el acrónimo de “JavaScript Object Notation” (Notación de Objeto de JavaScript). Por eso la mayoría de aplicaciones web publican los datos de las consultas utilizando JSON. Posiblemente debido a su popularidad en la versión R2016b de Matlab se introdujeron para la codificación y descodificación de este formato. En esta entrada se va a explicar cómo trabajar con archivos JSON en Matlab.

Las funciones incluidas en Matlab para el tratamiento de archivos JSON son dos jsondecode y jsonencode. La primera permite convertir una cadena de texto con datos en formato JSON a un objeto Matlab. Mientras la segunda realiza el proceso contrario, convierte los objetos Matlab en cadenas de texto con formato JSON. Actualmente no existe una función para importar directamente archivos JSON, aunque como estos son simples archivos de texto se pueden importar los datos con las funciones estándar. O desde la web con la función webread.

Importación y decodificación de los archivos

A modo de ejemplo se puede crear un archivo JSON en Mockaroo y descargarlo al disco duro. En nuestro caso se va a trabajar con el siguiente archivo.

Nuevo simulador FIRE en el laboratorio de aplicaciones de Analytics Lane
En Analytics Lane
Nuevo simulador FIRE en el laboratorio de aplicaciones de Analytics Lane

[{
        "id": 1,
        "first_name": "Holden",
        "last_name": "Rodgier",
        "email": "[email protected]",
        "gender": "Male",
        "ip_address": "199.195.195.123",
        "total": "7.66"
    },
    {
        "id": 2,
        "first_name": "Lacey",
        "last_name": "Coddrington",
        "email": "[email protected]",
        "gender": "Female",
        "ip_address": "123.83.127.101",
        "total": "12.59"
    },
    {
        "id": 3,
        "first_name": "Leshia",
        "last_name": "Francescuccio",
        "email": "[email protected]",
        "gender": "Female",
        "ip_address": "54.248.253.8",
        "total": "11.62"
    },
    {
        "id": 4,
        "first_name": "Charla",
        "last_name": "Peerman",
        "email": "[email protected]",
        "gender": "Female",
        "ip_address": "189.170.54.121",
        "total": "10.06"
    },
    {
        "id": 5,
        "first_name": "Antin",
        "last_name": "Petrashkov",
        "email": "[email protected]",
        "gender": "Male",
        "ip_address": "103.219.106.206",
        "total": "20.28"
    }
]

En Matlab este archivo se puede importar utilizando la función fileread. Para ello solamente se ha de escribir:

json = fileread('MOCK_DATA.json');

Con lo que se obtiene una cadena de texto con el contenido del archivo. Ahora se puede utilizar la función jsondecode para decodificar el contenido del archivo

data = jsondecode(json);

En la variable data se puede encontrar un objeto struct con los datos ya accesibles.

data = 

  5×1 struct array with fields:

    id
    first_name
    last_name
    email
    gender
    ip_address
    total

Por ejemplo, el primer elemento del array será.

ans = 

  struct with fields:

            id: 1
    first_name: 'Holden'
     last_name: 'Rodgier'
         email: '[email protected]'
        gender: 'Male'
    ip_address: '199.195.195.123'
         total: '7.66'

Codificación de los archivos JSON en MATLAB

La mayoría de los objetos Matlab se pueden convertir en una cadena de texto JSON mediante la función jsonencode. Uno de los objetos más fáciles de convertir es una vector.

json = jsonencode(1:5);

Este código asigna la siguiente cadena a la variable json.

'[1,2,3,4,5]'

JSON es un formato en el que se puede almacenar datos con una cierta estructura, lo que en Matlab son los objetos tipo struct. Así exportar una estructura es igual de fácil que un vector.

json = jsonencode(struct('data', 1:5));

Asignando a la variable json la cadena

'{"data":[1,2,3,4,5]}'

Valores infinitos y NaN

Al codificar datos en los que exista valores infinito o NaN sucede algo curioso, la información se pierde ya que almacena como un valor null. Esto es lo que se puede ver en el siguiente ejemplo.

jsonencode([1, NaN, inf])

ans =

    '[1,null,null]'

En caso de que se desee recuperar la información se tendrá el siguiente resultado

jsondecode(jsonencode([1, NaN, inf]))

ans =

     1
   NaN
   NaN

Para evitar este problema, si los datos se desean utilizar posteriormente en otra sesión de Matlab, se pude cambiar la opción 'ConvertInfAndNaN' de la función jsonencode a un valor igual a false. A modo de ejemplo se puede ver el resultado por defecto de

jsonencode([1, NaN, inf], 'ConvertInfAndNaN', true)

ans =

    '[1,null,null]'

Ahora se puede comprobar cómo toda la información en el vector original se puede recuperar.

jsondecode(jsonencode([1, NaN, inf], 'ConvertInfAndNaN', false))

ans =

     1
   NaN
   Inf

Es importante notar que la mayoría de las aplicaciones no pueden no comprender los valores NaN e infinito. Por los que es necesario tener cuidado a la hora de utilizar esta opción.

Conclusiones

En esta entrada se ha visto las funciones disponibles en Matlab para trabajar con cadenas de texto con JSON. La decodificación de cadenas de texto en objetos Matlab se realiza con jsondecode. Por otro lado, el proceso inverso se realiza mediante la función jsonencode.

A diferencia de lo visto con los archivos JSON en Python. En Matlab no existe una función que importe y realice la decodificación de archivos JSON, siendo necesario importar previamente los datos con alguna de las funciones disponibles. Lo mismo se aplica al proceso de exportación.

Imágenes: Pixabay (Gerd Altmann)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Nuevo simulador FIRE en el laboratorio de aplicaciones de Analytics Lane
  • Nueva calculadora de préstamos e hipotecas en el laboratorio de aplicaciones de Analytics Lane
  • Hardening avanzado de NGINX: CSP, OCSP Stapling y defensa en profundidad
  • Nuevo generador y verificador de hashes en el laboratorio de aplicaciones de Analytics Lane
  • Nueva simulación de la estrategia Martingala en ruleta en el laboratorio de aplicaciones de Analytics Lane
  • Exactitud, precisión, recall… y los errores que cometemos al interpretarlas en proyectos reales
  • Nuevo simulador del problema de Monty Hall en el laboratorio de aplicaciones de Analytics Lane
  • Nuevo simulador interactivo de K-Means en el laboratorio de aplicaciones de Analytics Lane
  • Por qué los chatbots de inteligencia artificial parecen estar siempre de acuerdo contigo – Conversar con una inteligencia artificial – Parte I

Publicado en: Matlab

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Nuevo Inspector de JWT en el laboratorio de aplicaciones de Analytics Lane

abril 20, 2026 Por Daniel Rodríguez

Nuevo simulador de regresión logística en el laboratorio de aplicaciones de Analytics Lane

abril 17, 2026 Por Daniel Rodríguez

Nuevo simulador de regresión lineal con ruido en el laboratorio de aplicaciones de Analytics Lane

abril 16, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Nuevo Inspector de JWT en el laboratorio de aplicaciones de Analytics Lane publicado el abril 20, 2026 | en Noticias
  • Creación de gráficos de barras y gráficos de columnas con Seaborn publicado el julio 18, 2023 | en Python
  • El método de Muller e implementación en Python publicado el marzo 24, 2023 | en Ciencia de datos
  • El método de la bisección e implementación en Python publicado el marzo 11, 2022 | en Ciencia de datos
  • Cómo calcular el tamaño de la muestra para encuestas publicado el septiembre 9, 2025 | en Ciencia de datos

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

Comentarios recientes

  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • CARLOS ARETURO BELLO CACERES en Justicio: La herramienta gratuita de IA para consultas legales
  • Piera en Ecuaciones multilínea en Markdown

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto