• Ir al contenido principal
  • Skip to secondary menu
  • Ir a la barra lateral primaria
  • Ir al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Noticias
    • Opinión
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Boletín
  • Contacto
  • Acerca de Analytics Lane
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • GearBest
      • GeekBuying
      • JoyBuy

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Criptografía
  • Python
  • Matlab
  • R
  • Julia
  • JavaScript
  • Herramientas
  • Opinión
  • Noticias

Matrices dispersas en Matlab

octubre 25, 2019 Por Daniel Rodríguez 2 comentarios

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().

full(S)
ans =

     1     0     0
     0     1     0
     0     0     1

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.

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?

Contenido relacionado

Archivado en:Matlab

Interacciones con los lectores

Comentarios

  1. WENDY VANESSA SERRANO GOMEZ dice

    marzo 2, 2020 en 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 en 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.

Publicidad


Barra lateral primaria

Suscríbete a nuestro boletín

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

Política de Privacidad

¡Síguenos en redes sociales!

  • facebook
  • github
  • telegram
  • pinterest
  • rss
  • tumblr
  • twitter
  • youtube

Publicidad

Tiendas afiliadas

Ayúdanos realizando tus compras sin coste adicional con los enlaces de la tienda. ¡Gracias!

Entradas recientes

Creación de un certificado Let’s Encrypt en Windows con Win-Acme

enero 22, 2021 Por Daniel Rodríguez Dejar un comentario

Aplicaciones de Node en producción con PM2

enero 20, 2021 Por Daniel Rodríguez Dejar un comentario

SQLite en Python

enero 18, 2021 Por Daniel Rodríguez Dejar un comentario

Publicidad

Es tendencia

  • Excel en Python Guardar y leer archivos Excel en Python bajo Python
  • Unir y combinar dataframes con pandas en Python bajo Python
  • Seleccionar filas y columnas en Pandas con iloc y loc bajo Python
  • ¿Cómo eliminar columnas y filas en un dataframe pandas? bajo Python
  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas bajo Python

Publicidad

Lo mejor valorado

5 (3)

Ordenar una matriz en Matlab en base a una fila o columna

5 (3)

Automatizar el análisis de datos con Pandas-Profiling

5 (5)

Diferencias entre var y let en JavaScript

5 (6)

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

5 (3)

Unir y combinar dataframes con pandas en Python

Publicidad

Comentarios recientes

  • Daniel Rodríguez en Calculadora de probabilidades de ganar a la lotería
  • abel en Calculadora de probabilidades de ganar a la lotería
  • David Arias en Diferencias entre regresión y clasificación en aprendizaje automático
  • Juan Aguilar en Archivos JSON con Python: lectura y escritura
  • Camilo en Contar palabras en una celda Excel

Publicidad

Footer

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Noticias
  • Opinión

Programación

  • JavaScript
  • Julia
  • Matlab
  • Python
  • R

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Lo más popular
  • Tienda

Tiendas Afiliadas

  • AliExpress
  • Amazon
  • BangGood
  • GearBest
  • Geekbuying
  • JoyBuy

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.

Tiendas afiliadas

Ayúdanos realizando tus compras sin coste adicional con los enlaces de la tienda. ¡Gracias!

Amazon

2018-2020 Analytics Lane · Términos y condiciones · Política de Cookies · Política de Privacidad · Herramientas de privacidad · Contacto