• 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

Seleccionar elementos en matrices de Matlab

mayo 15, 2019 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

El tipo de dato básico de Matlab es la matriz. Aunque con el tiempo se han introducido nuevos tipos de datos como las celdas o las tablas, la matriz es el más utilizado. Saber trabajar con estos tipos de datos es clave para obtener el máximo provecho de este entorno de trabajo. A continuación, se va a explicar cómo seleccionar elementos en matrices de Matlab utilizando la potencia que ofrecen los índices. Para así saber extraer los datos necesarios en cada situación.

Tabla de contenidos

  • 1. Creación de una matriz
  • 2. Acceso a los elementos de la matriz.
  • 3. Selección de columnas en matrices de Matlab
  • 4. Selección de filas en matrices de Matlab
  • 5. Combinar la selección de filas y columnas en matrices de Matlab
  • 6. Selección condicional de elementos en las matrices
  • 7. Conclusiones

Creación de una matriz

Para trabajar es necesario disponer de una matriz. Dado que, en esta situación, los valores concretos no son importantes se puede emplear una matriz de enteros generada aleatoriamente. Así el siguiente código crea una matriz de 6 filas y 4 columnas tras reiniciar el generador de números aleatorios de Matlab.

rng('default');
data = randi(50 ,6, 4);
data =

    41    14    48    40
    46    28    25    48
     7    48    41    33
    46    49     8     2
    32     8    22    43
     5    49    46    47

Siendo esta la matriz que se utilizará en el resto de la entrada.

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

Acceso a los elementos de la matriz.

Para acceder a un elemento de la matriz se ha de indicar el nombre y entre paréntesis las coordenadas. En primer lugar, se indica la fila y seguido de una coma la columna. Por ejemplo, se puede acceder al registro de la fila 2 y columna 3 con data(2, 3). Mediante lo que se obtendrá el valor 25.

Otra forma de acceder es indicando solamente un valor entre paréntesis. En este Matlab recorrerá los elementos por filas, al finalizar la primera continuará por la segunda y así consecutivamente. Es decir, la posición será la columna menos uno por el número de filas más la posición de la fila. En el ejemplo anterior data(6 * (3-2) + 2), es decir, data(14).

Selección de columnas en matrices de Matlab

Una de las tareas de filtrado más habituales al trabajar con matrices en Matlab es seleccionar una comuna. Es decir, obtener todas las filas de una columna. Para lo que es necesario utilizar el operador : en las filas. Así la columna 3 de nuestro ejemplo se puede obtener con data(:, 3).

ans =

    48
    25
    41
     8
    22
    46

En otras ocasiones se puede ser necesario seleccionar más de una columna. Para ello el número de las columnas en un vector que se puede crear manualmente con corchetes. Por ejemplo, la primera y tercera columna se puede obtener con el siguiere código.

data(:, [1, 3])
ans =

    41    48
    46    25
     7    41
    46     8
    32    22
     5    46

Otra opción es con : indicando en primer lugar la primera columna y en segundo la última. Por ejemplo, para obtener desde la tercera a la cuarta se puede utilizar el siguiente código:

data(:, 3:4)
ans =

    48    40
    25    48
    41    33
     8     2
    22    43
    46    47

En el caso de que no se conozca el número de columnas y se desea extraer desde una hasta el final se puede utilizar el valor end. Por ejemplo, desde la tercera hasta el final se puede conseguir con el siguiente código.

data(:, 3:end)

Finalmente, el vector que se utiliza puede estar desordenado, obteniendo de esta manera una matriz con las columnas en un orden diferente. Por ejemplo, si se desea extraer primero la tercera y después la segunda columna se puede utiliza el siguiente código.

data(:, [3, 1])
ans =

    48    41
    25    46
    41     7
     8    46
    22    32
    46     5

Selección de filas en matrices de Matlab

Si lo que se desea es extraer filas solamente se puede utilizar lo visto en la sección anterior para las columnas. Simplemente utilizando : para indicar en la posición de las columnas. Por ejemplo, mediante data(3,:) se obtiene la tercera fila y data([1,3],:) la primera y tercera columna.

Combinar la selección de filas y columnas en matrices de Matlab

La selección de filas y columnas se puede combinar. En lugar de seleccionar un conjunto de filas y todas las columnas o un conjunto de columnas y todas las filas es posible un conjunto tanto de filas como de columnas. Lo que es tan sencillo como indicar las filas y las columnas al mismo tiempo como cuando se selecciona un elemento.

data([1, 3], [1, 3])
ans =

    41    48
     7    41

Selección condicional de elementos en las matrices

La selección puede ser inteligente, seleccionando las filas o columnas que cumple una o varias condiciones. Lo que se puede conseguir filtrando con la utilización de vectores lógicos. Por ejemplo, los valores mínimos de cada columna se pueden obtener mediante la función min.

min(data)
ans =

     5     8     8     2

Ahora, se puede seleccionar las columnas cuyo valor mínimo es menor que 5 con el operador comparación. Al aplicar el operador al resultado anterior se obtiene un vector con cuatro elementos que son true cuando se cumple la condición y false en el resto de los casos.

min(data) > 5
ans =

  1×4 logical array

   0   1   1   0

Este vector se puede utilizar para seleccionar las columnas que verifican la condición deseada. Así para obtener estas columnas se puede utilizar.

data(:, min(data) > 5)
ans =

    14    48
    28    25
    48    41
    49     8
     8    22
    49    46

Finalmente, las condiciones pueden ser todo los complejas que se desee.

data(:, min(data) > 5 & max(data) == 49);

Obviamente, los filtros se pueden utilizar también en las filas.

Conclusiones

En esta entrada se ha visto cómo seleccionar elementos en matrices de Matlab. Una tarea que es bastante habitual. Por eso conocer y comprender todas las formas para realizar esta tarea es clave para maximizar el rendimiento a la hora de trabajar con Matlab. Tanto sea para seleccionar una fila o columna en concreto como aquellas que verifican una condición.

Imágenes: Pixabay (Pexels)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 2

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
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Qué significa realmente “calidad de datos”
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • == vs is en Python: la diferencia que causa bugs misteriosos
  • Curiosidad: El puerto 80 y los números de puerto

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

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

noviembre 12, 2026 Por Daniel Rodríguez

Shallow copy vs Deep copy en Python: la mutación inesperada

noviembre 10, 2026 Por Daniel Rodríguez

Cómo Saber si una Diferencia Significativa es Importante

noviembre 5, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Introducción al paquete dplyr del Tidyverse publicado el febrero 24, 2021 | en R
  • pandas Pandas: Cómo iterar sobre las filas de un DataFrame en Pandas publicado el septiembre 13, 2021 | en Python
  • Medir la velocidad de escritura del disco en Linux publicado el enero 25, 2023 | en Herramientas
  • Cómo iterar sobre diccionarios usando bucles for en Python publicado el junio 9, 2025 | en Python
  • Aprendizaje Automático ¿Qué es el Aprendizaje Automático? publicado el agosto 22, 2018 | en Ciencia de datos

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