• 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

Guardar y leer archivos de texto con Matlab

mayo 29, 2019 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Los archivos más portables para el intercambio de datos son los de texto con los valores separados por un delimitador. Entre los que es posible destacar CSV (“Comma Separated Values”) o TSV (“Tab separated values”). Su popularidad es debida a que la mayoría de las bases de datos, hojas de cálculo y otras aplicaciones son capaces de leer y guardar los datos en este formato. Siendo lo más habitual encontrar los conjuntos de datos en este tipo de archivos. Por eso es importante saber cómo guardar y leer archivos de texto con Matlab.

Las funciones que se verán en esta entrada solamente funcionan con matrices numéricas. En el caso de que sea necesario trabajar con celdas es necesario actualizar a la versión 2019a de Matlab en las que se han definido nuevas funciones. En una futura entrada se explicarán las funciones para importar y exportar datos con Matlab 2019a.

El formato CSV

Para guardar y leer archivos de texto con Matlab en formato CSV existen dos funciones csvwrite() y csvread(). Tal como se puede deducir del nombre la primera permite guardar los datos en un archivo y la segunda guardarlos. A modo de ejemplo se puede crear un matriz aleatoria con rand(4) y guardar esta en un archivo con csvwrite().

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

data = rand(4);
csvwrite('data.csv', data);

Obteniendo así el siguiente archivo:

0.81472,0.63236,0.95751,0.95717
0.90579,0.09754,0.96489,0.48538
0.12699,0.2785,0.15761,0.80028
0.91338,0.54688,0.97059,0.14189

Una vez creado el archivo se pueden recuperar los datos en Matlab con csvread() simplemente indicando el nombre del mismo.

csv = csvread('data.csv');

En el archivo se puede ver que los valores son almacenados en formato corto, por lo que se pierde precisión. Algo que puede ser un problema en ciertas aplicaciones. Para solucionar este problema y utilizar otros separadores es necesario utilizar las funciones dlmwrite() y dlmread().

Funciones DLM

Las funciones dlmwrite() y dlmread() son más flexibles que las vistas en la sección anterior. Ya que permite cambiar el separador utilizado en el archivo y como la precisión. El funcionamiento básico es similar, en dlmwrite() solo hay que indicar el nombre del archivo y la matriz.

dlmwrite('data.csv', data);

En este caso se obtiene el mismo resultado que con csvwrite(). Para modificar el separador se puede utilizar la propiedad 'delimiter' seguida del carácter que se desea utilizar. Por otro lado, la propiedad con la que se fija la precisión es 'precision' seguida de la cual es necesario indicar el número de decimales. Por ejemplo, para emplear el punto y coma como separador de valores y trabajar con 9 decimales se puede escribir.

dlmwrite('data.csv', data, 'delimiter', ';', 'precision', 9);

Con lo que se obtiene el siguiente archivo:

0.814723686;0.632359246;0.957506835;0.957166948
0.905791937;0.097540405;0.964888535;0.485375649
0.126986816;0.278498219;0.157613082;0.800280469
0.913375856;0.546881519;0.970592782;0.141886339

De forma análoga a lo vista en la sección anterior la función par importar los datos es dlmread().

csv = dlmread('data.csv');

Generalmente no es necesario indicar el separador, pero en caso de duda se puede pasar como segundo parámetro.

csv = dlmread('data.csv', ';');

Consideraciones en Matlab 2019a y posteriores

En Matlab 2019a han sido introducidas cuatro nuevas funciones (writematrix(), readmatrix(), writecell() y readcell()) que permiten guardar matrices y celdas tanto en archivos de texto como en hojas de cálculo Microsoft Excel. Debido a su mayor flexibilidad estas son las funciones recomendadas para Matlab 2019a o posteriores. En el caso de trabajar con versiones anteriores es necesario continuar utilizando estas funciones.

Conclusiones

En esta entrada se han visto las funciones básicas para guardar y leer archivos de texto con Matlab. Unas funciones que son muy útiles cuando es necesario importar o exportar datos en este formato, uno de los más populares.

A partir de las versiones de Matlab del año 2019 se encuentran disponibles otras funciones para importar y exportar datos en formato de texto que ofrecen más posibilidades.

Imágenes: Pixabay (cocoparisienne)

¿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

  • 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

  • Instantáneas de VirtualBox (Snapshots) publicado el marzo 27, 2019 | en Herramientas
  • 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 publicado el noviembre 18, 2026 | en Noticias
  • Cuatro aplicaciones de la Inteligencia Artificial en el Deporte publicado el junio 21, 2023 | en Ciencia de datos, Opinión
  • ¿Qué es el margen de error en una encuesta y por qué es importante? publicado el mayo 30, 2025 | en Ciencia de datos, Opinión
  • Usar el depurador de Visual Studio Code con Jest publicado el diciembre 6, 2023 | en Herramientas

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

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

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