• 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
  • Herramientas
    • Método D’Hondt – Atribución de escaños
  • 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
  • Python
  • Pandas
  • NumPy
  • Matlab
  • Julia
  • Excel
  • IA Generativa

Matrices dispersas en Matlab

octubre 25, 2019 Por Daniel Rodríguez 2 comentarios
Tiempo de lectura: 3 minutos

En una entrada reciente se ha escrito acerca de las matrices dispersas (“sparse matrix”) en las que la mayoría de los elementos son cero. Guardar estas matrices en memoria como si fuesen matrices densas, donde la mayoría de los elementos son distintos de cero, no es eficiente. Para ello Matlab dispone de diferentes funciones que permiten convertir matrices densas en dispersas y el paso contrario. Si trabajamos con matrices dispersas en Matlab es necesario conocer cómo funcionan las funciones sparse() y full() que se explicarán a continuación.

Convertir una matriz en dispersas

En el caso de que se tenga una matriz dispersa en Matlab se puede almacenar esta de una forma más eficiente utilizando la función sparse(). Al llamar a esta función con una matriz se obtendrá un objeto en el que solamente se guardan los valores diferentes de cero. Por ejemplo, se pueden comparar la representación de una matriz diagonal almacenada en un formato u otro.

M = eye(3)
S = sparse(M)
M =

     1     0     0
     0     1     0
     0     0     1


S =

   (1,1)        1
   (2,2)        1
   (3,3)        1

Como se puede ver en ejemplo en el segundo caso solamente se almacenan los valores diferentes de cero. Si se desea recuperar la matriz original se puede utilizar la función full().

Consistencia en nombres y orden en TypeScript: la base de un código mantenible aplicado a tslane
En Analytics Lane
Consistencia en nombres y orden en TypeScript: la base de un código mantenible aplicado a tslane

full(S)
ans =

     1     0     0
     0     1     0
     0     0     1

Publicidad


Trabajar con matrices dispersas en Matlab

A la hora de trabajar con matrices dispersas no existe ninguna diferencia respeto a usarlas normales. Siendo válido el mismo código en ambos casos, ya que Matlab las trata exactamente igual. Por ejemplo, se puede ver cómo multiplicar una matriz normal por una dispersa es igual que hacer con una normal

M = randi(20, 2, 2);
I = [0, 1; 0, 0];
S = sparse(I);

M * S
M * I
ans =

     0    17
     0    14


ans =

     0    17
     0    14

Como se puede ver en el ejemplo en ambos casos se ha utilizado el mismo código y obtenido el mismo resultado.

Ahorro de memoria en las matrices dispersas

Utilizando la función whos se puede el espacio que ocupa cada una de las variables. Así es posible conocer el ahorro que suponer guardar la matriz en un formato u otro.

  Name      Size            Bytes  Class     Attributes

  M         3x3                72  double              
  S         3x3                80  double    sparse 

En el ejemplo se puede ver que la matriz original ocupa 72 bytes, mientras que guarda como dispersa 80. En este caso no se obtiene ahorro, de hecho, la matriz guardada como dispersa ocupa más, porque la matriz solamente es de 3×3. En caso de que se aumente el tamaño de la matriz la matriz dispersa comenzará a ocupar menos memoria. Por ejemplo, en una matriz de 100×100 la original ocupará 80000 bytes, mientras que al guardarlo como dispersa solamente 2408, solamente un 3% de la original.

  Name        Size             Bytes  Class     Attributes

  M         100x100            80000  double              
  S         100x100             2408  double    sparse

Una forma más clara de ver esto es representar en una gráfica el tamaño relativo de la matriz en formato disperso respecto a la normal. Esto es lo que se muestra en la siguiente figura. En donde se puede apreciar que, para una matriz con el grado de dispersión utilizado, el ahorro es considerable de una dimensión 50. Si el grado de dispersión es mayor el ahorro se obtendrá antes.

Comparación de la memoria necesaria para almacenar una matriz diagonal en formato disperso frente a denso en función de las dimensiones.
Comparación de la memoria necesaria para almacenar una matriz diagonal en formato disperso frente a denso en función de las dimensiones.

Publicidad


Conclusiones

En esta entrada se ha visto cómo trabajar con matrices dispersas en Matlab, observado que su uso es completamente transparente. Además, se ha comparado el tamaño que ocupan ambos objetos en memoria y como son más eficaces las dispersas a medida que aumentan las dimensiones.

Imágenes: Pixabay (Free-Photos)

¿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

  • Consistencia en nombres y orden en TypeScript: la base de un código mantenible aplicado a tslane
  • Análisis de Redes con Python
  • Nuevo calendario de publicaciones: más calidad, mejor ritmo
  • Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Publicaciones de verano 2025: los trucos más populares, ahora en vídeo
  • Cómo enviar correos desde PowerShell utilizando Brevo: Guía paso a paso para automatizar tus notificaciones
  • Nueva herramienta disponible: Calculadora del Método D’Hondt para la atribución de escaños
  • Cómo enviar correos desde Python utilizando Brevo: Automatiza tus notificaciones con scripts eficientes

Publicado en: Matlab

Interacciones con los lectores

Comentarios

  1. WENDY VANESSA SERRANO GOMEZ dice

    marzo 2, 2020 a las 3:55 pm

    Buenas dias,necesitaría 3 cartones de bingo y solo se genera uno como se podrían generar los otros 2

    Gracias por la atención prestada
    B = randsample(1:20, 4)’;
    I = randsample(21:40, 4)’;
    N = randsample(41:60, 4)’;
    G = randsample(61:80, 4)’;
    O = randsample(81:100, 4)’;

    T = table(B,I,N,G,O)

    Responder
    • Daniel Rodríguez dice

      marzo 3, 2020 a las 11:25 am

      Quizás no sea el sitio para preguntar esto, pero se puede guardar los datos en una celda e iterar con un bucle for

      T = cell(1, 3);

      for i = 1:3
      B = randsample(1:20, 4)';
      I = randsample(21:40, 4)';
      N = randsample(41:60, 4)';
      G = randsample(61:80, 4)';
      O = randsample(81:100, 4)';

      T{i} = table(B,I,N,G,O);
      end

      Responder

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 video! Gráficos de barras en Matplotlib sin complicarte

julio 17, 2025 Por Daniel Rodríguez

¡Nuevo video! Iterar filas en Pandas sin romperte la cabeza

julio 15, 2025 Por Daniel Rodríguez

¡Nuevo video! Encuentra la posición en listas como un PRO

julio 10, 2025 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Obtención de valores únicos de una columna con Pandas publicado el mayo 8, 2019 | en Python
  • Cómo encontrar la posición de elementos en una lista de Python publicado el abril 12, 2021 | en Python
  • Solución al error Failed to download metadata for repo ‘AppStream’ en CentOS 8 publicado el septiembre 13, 2023 | en Herramientas
  • Combinar varios archivos Jupyter Notebook en uno publicado el noviembre 21, 2022 | en Python
  • Sistema de ecuaciones Sistemas de ecuaciones lineales con numpy publicado el octubre 29, 2018 | en Python

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

  • Piera en Ecuaciones multilínea en Markdown
  • Daniel Rodríguez en Tutorial de Mypy para Principiantes
  • Javier en Tutorial de Mypy para Principiantes
  • javier en Problemas con listas mutables en Python: Cómo evitar efectos inesperados
  • soldado en Numpy básico: encontrar la posición de un elemento en un Array de Numpy

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