• 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
    • Encuestas: Tamaño de Muestra
    • Lotería: Probabilidad de Ganar
    • Reparto de Escaños (D’Hondt)
    • Tres en Raya con IA
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

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

Aplicar funciones sobre los elementos de una matriz en Matlab

junio 19, 2019 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Algo que deberíamos conocer acerca de Matlab es lo lento que es cuando se utilizan bucles para iterar sobre las matrices. Lo que se debe evitar en la medida de los posible. La mejor opción siempre será escribir los algoritmos de forma que trabajen directamente sobre los matrices de datos. Algo que por desconocimiento o dificultad no se realiza en todos los casos. Para aplicar funciones sobre matrices o celdas existen dos funciones en Matlab que es interesante conocer: arrayfun y cellfun. En esta entrada se verá cómo se pueden aplicar funciones sobre los elementos de una matriz en Matlab.

Aplicar funciones sobre los elementos de una matriz en Matlab con arrayfun

Supongamos que tenemos la siguiente función que limita los valores de un escalar entre 0 y 50.

function y = limitar(x)
    if x > 50
        y = 50;
    elseif x < 0
        y = 0;
    else
        y = x;
    end
end

En el caso de que se desee aplicar sobre una matriz se puede utilizar un par de bucles for anidados de la siguiente forma.

Curiosidad: La maldición de la dimensionalidad, o por qué añadir más datos puede empeorar tu modelo
En Analytics Lane
Curiosidad: La maldición de la dimensionalidad, o por qué añadir más datos puede empeorar tu modelo

data = [ ...
    96    15    80     4; ...
    49    43    96    85; ...
    81    92    66    94];

resultado = data;

for i = 1:size(data, 1)
    for j = 1:size(data, 2)
        resultado(i, j) = limitar(data(i, j));
    end
end

Esta es una solución válida, pero no es eficiente y además es difícil de leer. El código se puede simplificar utilizando la función arrayfun. La que tiene como entrada una función y una matriz, devolviendo el resultado de aplicar la función sobre la matriz. Así, para conseguir los mismos resultados que con el bucle anterior se puede utilizar solamente la siguiente línea de código.

arrayfun(@limitar, data)

Lo cual es más eficiente, rápido y claro que la implantación anterior basada en el uso de for.

Publicidad


Solución vectorial del problema

Aunque la solución anterior funciona perfectamente y sirve de ejemplo para arrayfun, no es la solución óptima del problema. En este caso se puede resolver mejor escribiendo código para que funcione sobre matrices. Por ejemplo, se podría escribir limitar() de la siguiente forma:

function data = limitar(x)
    data(data > 50) = 50;
    data(data < 0) = 0;
end

Aplicar funciones sobre los elementos de una celda con cellfun

El problema anterior también se puede dar cuando se trabaja con celdas, las cuales pueden contener distintos tipos de datos. Además, en este caso es más interesante ya que no es posible vectorizar las funciones que trabajan sobre celdas como en el caso anterior.

Un ejemplo del uso de cellfun se puede ver a continuación. Supongamos que se tiene un proceso de captura de datos en el que parte de los datos se obtienen como enteros, mientras otros como caracteres. Antes de trabajar con los datos es necesario identificar los caracteres y convertirlos a números. Sobre una celda no se puede utilizar directamente ischar, comprobar si el contenido de una variable es de tipo carácter, ya que devolvería siempre false, ni str2double, convertir las variables de tipo carácter a doble. La forma es utilizar cellfun que funciona de forma similar a arrayfun.

data = { ...
    '96'  15    '80'   4; ...
    49    '43'  96    85; ...
    81    92    66    94};

char = data(cellfun(@ischar, data));
data(cellfun(@ischar, data)) = cellfun(@str2double, char, 'UniformOutput', false)

En el ejemplo anterior en primer lugar se identificaron las celdas que son de tipo carácter con cellfun y ischar. Las que se almacenan en la variable char. Posteriormente estas se transforman con cellfun y str2double. Aquí se puede notar el uso de la opción UniformOutput igual a falso, lo que evita que la salida se transforme en un vector. Si no se indica en las situaciones donde todos los elementos resultantes son de tipo numérico el resultado será un vector. Lo que en el caso como el ejemplo no es válido.

Publicidad


Conclusiones

En esta entrada se ha visto cómo aplicar funciones sobre los elementos de una matriz en Matlab con arrayfun y sobre celdas con cellfun. Dos funciones que es muy importante conocer y comprender. Ya que permiten solucionar muchos problemas de una forma más rápida y eficiente.

Imágenes: Pixabay (Denis Azarenko)

¿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

  • Curiosidad: La maldición de la dimensionalidad, o por qué añadir más datos puede empeorar tu modelo
  • ¿Está concentrado el MSCI World? Un análisis con Gini, Lorenz y leyes de potencia
  • Curiosidad: ¿Por qué usamos p < 0.05? Un umbral que cambió la historia de la ciencia
  • Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python)
  • La Paradoja del Cumpleaños, o por qué no es tan raro compartir fecha de nacimiento
  • Cómo abrir una ventana de Chrome con tamaño y posición específicos desde la línea de comandos en Windows
  • Curiosidad: El sesgo de supervivencia, o por qué prestar atención sólo a los que “llegaron” puede engañarte
  • Documentar tu API de Express con TypeScript usando OpenAPI (Swagger)
  • Data Lake y Data Warehouse: diferencias, usos y cómo se complementan en la era del dato

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

Data Lake y Data Warehouse: diferencias, usos y cómo se complementan en la era del dato

octubre 23, 2025 Por Daniel Rodríguez

Documentar tu API de Express con TypeScript usando OpenAPI (Swagger)

octubre 21, 2025 Por Daniel Rodríguez

Curiosidad: El sesgo de supervivencia, o por qué prestar atención sólo a los que “llegaron” puede engañarte

octubre 16, 2025 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Procesadores cuánticos en Machine Learning e Inteligencia Artificial Procesadores cuánticos en Machine Learning e Inteligencia Artificial: Transformando el futuro de la tecnología publicado el febrero 12, 2025 | en Ciencia de datos, Criptografía, Opinión
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • Hoja de cálculo para repartir los escaños en base al método D’Hont Aplicar el método D’Hondt en Excel publicado el abril 14, 2021 | en Herramientas
  • El método de Muller e implementación en Python publicado el marzo 24, 2023 | 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

4.5 (10)

Diferencias entre var y let en JavaScript

Publicidad

Comentarios recientes

  • 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
  • Daniel Rodríguez en Tutorial de Mypy para Principiantes

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 © 2018-2025 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto