Tablas dinámicas en Matlab

Las tablas dinámicas son una herramienta de las hojas de cálculo muy populares, con las que se puede resumir los conjuntos de datos de una forma rápida. Una funcionalidad que se puede replicar fácilmente en Python como R, pero hasta hace poco no en Matlab. En a versión 2018a de Matlab se introdujo la función groupsummary con la que es posible obtener fácilmente resúmenes de tablas de datos. Esto es replicar la funcionalidad de las tablas dinámicas en Matlab.

Carga de un conjunto de datos

En esta ocasión vamos a trabajar con el conjunto de datos del Titanic. Un conjunto que ya hemos usado anteriormente para ver cómo funcionaban las tablas dinámicas de Python. A diferencia de Python el conjunto de datos no se encuentra disponible en Matlab, por lo que es necesario importar desde un archivo csv mediante la función readtable. Para que se conserve el nombre de las columnas del archivo se puede usar la opción PreserveVariableNames a verdadero.

titanic = readtable('titanic.csv', 'PreserveVariableNames', true);

Es importante notar que groupsummary trabaja sobre tablas, no matrices, por lo que si no se importan los datos en este formato es necesario convertir las matrices en tablas.

Contar registros de una tabla

Una de las primeras cosas que no podemos preguntar en este caso es cuántos pasajeros había en cada una de las clases. Lo que se puede obtener con groupsummary pasándole la tabla y el nombre de la columna sobre la que queremos contar. Obteniendo así el resultado deseado.

En Analytics Lane

Curiosidad: ¿Por qué usamos p < 0.05? Un umbral que cambió la historia de la ciencia

groupsummary(titanic, 'pclass')

    pclass    GroupCount
    ______    __________

      1          323    
      2          277    
      3          709    

En el caso de que deseemos contar el número de registros al combinar variables también se puede hacer. Para lo que en lugar del nombre de la columna se tiene que pasar como segundo parámetro una celda con las listas de columnas sobre las que agrupar. Por ejemplo, para obtener los pasajeros por clase y género se puede usar el siguiente comando.

groupsummary(titanic, {'pclass', 'sex'})

    pclass       sex        GroupCount
    ______    __________    __________

      1       {'female'}       144    
      1       {'male'  }       179    
      2       {'female'}       106    
      2       {'male'  }       171    
      3       {'female'}       216    
      3       {'male'  }       493    

Obtener estadísticos de una tabla

Además del conteo de registros también es posible obtener los estadísticos de cualquier columna para cada uno de los grupos. Para lo que es necesario indicar en la función el nombre del estadístico y la columna sobre la que operar. Por ejemplo, para obtener el porcentaje de supervivencia por clase se puede usar la media de la columna survived.

groupsummary(titanic, 'pclass', 'mean', 'survived')

    pclass    GroupCount    mean_survived
    ______    __________    _____________

      1          323            0.6192   
      2          277            0.4296   
      3          709           0.25529   

En el caso de que deseemos una operación más compleja en lugar del nombre del estadístico se puede pasar una función handle. Así se puede replicar los resultados anteriores con usando con una función como se muestra a continuación.

groupsummary(titanic, 'pclass', @(x)mean(x), 'survived')

    pclass    GroupCount    fun1_survived
    ______    __________    _____________

      1          323            0.6192   
      2          277            0.4296   
      3          709           0.25529   

Podemos notar que, a diferencia del caso anterior, el nombre de la columna con el resultado es menos intuitiva ya que es fun1_survived en lugar de mean_survived.

Grupos en variables numéricas

Algo que puede ser muy útil es la posibilidad de crear rangos en las variables numéricas. Para lo que es necesario indicar con una matriz los puntos en los que se separan los grupos. Así para obtener el número de pasajeros menores de 14 años, los que se encuentra entre 14 y 28, entre 28 y 49, y los de más de 49 se puede usar el siguiente comando.

groupsummary(titanic, 'age' ,[0 14 28 49 100], 'mean', 'survived')

     disc_age      GroupCount    mean_survived
    ___________    __________    _____________

    [0, 14)            99           0.57576   
    [14, 28)          405           0.38272   
    [28, 49)          423           0.39243   
    [49, 100]         119           0.41176   
           263           0.27757   

Como se puede ver en los resultados el primer grupo está entre 0 y 14, sin incluir los registros con este valor. Los pasajeros de 14 años se incluyen en el segundo grupo.

Conclusiones

En esta entrada se ha visto el funcionamiento básico de la herramienta groupsummary con la que es posible crear tablas dinámicas en Matlab. Una función que apareció relativamente hace poco, pero que puede ser de gran utilidad para realizar análisis estadísticos básicos.

Imagen de analogicus en Pixabay