• 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
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ 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

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.

La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
En Analytics Lane
La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)

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.

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

Publicidad


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.

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

  • La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
  • Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring
  • Subplots en Matplotlib: cómo organizar múltiples gráficos en una sola figura
  • Cómo comparar datos con barras en Matplotlib: agrupadas, apiladas y porcentuales
  • Ley de Benford: cómo detectar datos manipulados con ejemplos reales
  • Costes hundidos en ciencia de datos: cuándo mantener un modelo y cuándo migrar
  • Síndrome del objeto brillante en ciencia de datos: el error simétrico a los costes hundidos
  • WOE e IV: La Base Matemática del Credit Scoring
  • De la Regresión Logística al Scorecard: La Transformación Matemática

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

La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)

junio 4, 2026 Por Daniel Rodríguez

Calibración vs Discriminación en Credit Scoring: diferencias clave y cómo evaluarlas

junio 2, 2026 Por Daniel Rodríguez

Ley de Benford: cómo detectar datos manipulados con ejemplos reales

mayo 28, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Arquitecturas de almacenamiento de datos: Data Lake, Data Warehouse y Data Mart publicado el febrero 24, 2023 | en Ciencia de datos
  • pandas Pandas: Obtener el nombre de las columnas y filas en Pandas publicado el diciembre 7, 2020 | en Python
  • Comparar archivos en Visual Studio Code publicado el enero 10, 2024 | en Herramientas
  • La Paradoja del Cumpleaños, o por qué no es tan raro compartir fecha de nacimiento publicado el octubre 9, 2025 | en Opinión
  • Curiosidad: ¿Por qué se llama “regresión” lineal? publicado el noviembre 20, 2025 | en Ciencia de datos, Opinión

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

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • 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

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