• 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
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • 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

Tablas dinámicas en Matlab

abril 6, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

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.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

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

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 1

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

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • == vs is en Python: la diferencia que causa bugs misteriosos

Publicidad

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

Noticias

Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador

noviembre 18, 2026 Por Daniel Rodríguez

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

noviembre 12, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Manipulación de cadenas en Python publicado el septiembre 11, 2023 | en Python
  • Cómo determinar el número de componentes en PCA usando el Criterio de Kaiser publicado el febrero 14, 2025 | en Ciencia de datos
  • Cómo comparar datos con barras en Matplotlib: agrupadas, apiladas y porcentuales publicado el mayo 12, 2026 | en Python
  • NumPy Generación y manipulación de números aleatorios en NumPy publicado el noviembre 25, 2024 | en Python
  • Justicio: La herramienta gratuita de IA para consultas legales publicado el diciembre 10, 2024 | en Reseñas

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

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

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