• 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
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • 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

Ordenar matrices de Matlab en base a sus valores

enero 27, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

Supongamos que en una matriz de Matlab tenemos en una columna los valores de un sensor y en otra la hora en la que se han registrado. En el caso de querer ordenar los valores en base a los valores y mantener alineados el resto de columnas no se puede usar directamente la función sort(). Ya que ordenaría cada una de las columnas por separado. En este caso deberíamos usar la función sortrows() para ordenar los resultados en base a una columna. Alternativamente, también se puede usar algunas propiedades de sort() para ordenar matrices de Matlab en base a los valores de una fila o columna. Procedimiento que se mostrará a continuación.

Creación de una matriz

En primer lugar, podemos crear una matriz para trabajar con ella. Una matriz con tres columnas en la que la primera es un índice y las otras dos son generadas al azar. Para poder reproducir los resultados se puede fijar la semilla antes de obtener los números aleatorios.

rng('default');
data = [1:10; randi(100, 2, 10)]'
data =

     1    82    91
     2    13    92
     3    64    10
     4    28    55
     5    96    97
     6    16    98
     7    96    49
     8    81    15
     9    43    92
    10    80    96

En el caso de que se use la función sort() sobre esta matriz ordenará por separado cada una de las columnas. Dejando la primera sin tocar ya que está ordenada, pero modificando las otras dos.

La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
En Analytics Lane
La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)

sort(data)
ans =

     1    13    10
     2    16    15
     3    28    49
     4    43    55
     5    64    91
     6    80    92
     7    81    92
     8    82    96
     9    96    97
    10    96    98

Ordenar matrices en base a los valores de una columna con sortrows()

En el caso de querer ordenar los valores en base a una de las columnas podemos usar la función sortrows(). Función que por defecto ordena las filas en base a los valores de la primera columna, salvo que se indique una columna como segundo parámetro. Así para ordenar por la segunda columna solamente se tienen que escribir

sortrows(data, 2)
ans =

     2    13    92
     6    16    98
     4    28    55
     9    43    92
     3    64    10
    10    80    96
     8    81    15
     1    82    91
     5    96    97
     7    96    49

Publicidad


Ordenar matrices en base a los valores de una columna con sort()

El mismo resultado se puede conseguir con la función sort(). Al consultar la documentación podemos ver que esta función devuelve dos valores, la matriz ordena y una matriz en la que se encuentran los índices para ordenar la matriz original. Así si solamente se ordena una columna, la segunda salida son los índices para ordenar la matriz. Lo que se puede ver en el siguiente ejemplo.

[~, i] = sort(data(:,2));
data(i,:)
ans =

     2    13    92
     6    16    98
     4    28    55
     9    43    92
     3    64    10
    10    80    96
     8    81    15
     1    82    91
     5    96    97
     7    96    49

En este caso se ha usado ~ para indicar a Matlab que no nos interesa el primer valor que devuelve la función, por lo que no se almacena en ninguna variable. Solamente nos interesa el segundo valor, los índices con los que se puede ordenar la matriz original. Así es posible ordenar la matriz original en base a la fila seleccionada.

Ordenar matrices en base a sumas de columnas

El uso de la función sort() tal como hemos visto tiene ventajas, como la posibilidad de ordenar matrices en función a valores calculados. Tales como la suma, el máximo o el mínimo de una serie de columnas, o cualquier otra operación que podamos definir.

Por ejemplo, la suma de las segunda y tercera columna se puede obtener mediante sum(data(:,2:3), 2), en donde se seleccionan los datos de las columnas y el segundo parámetro de la función sum() indica que la operación se realice por filas. Así es posible ordenar por la suma simplemente empleando.

[~, i] = sort(sum(data(:,2:3), 2));
data(i,:)
ans =

     3    64    10
     4    28    55
     8    81    15
     2    13    92
     6    16    98
     9    43    92
     7    96    49
     1    82    91
    10    80    96
     5    96    97

Cualquier operación más compleja se realizaría de una forma análoga.

Ordenar matrices de Matlab en base a los valores de una fila

Otra de las ventajas de usar el segundo valor de sort() es que también se puede ordenar las columnas por los valores de una fila. Para lo que simplemente hay que ordenar una fila y obtener los índices.

[~, i] = sort(data(3, :));
data(:,i)
ans =

     1    91    82
     2    92    13
     3    10    64
     4    55    28
     5    97    96
     6    98    16
     7    49    96
     8    15    81
     9    92    43
    10    96    80

Publicidad


Conclusiones

En esta ocasión hemos visto dos métodos para ordenar matrices de Matlab en base a sus valores. La función sortrows() que los hace en base a los valores de una columna y sort() que devuelve los índices de ordenación. Esto no recuerda que las funciones de Matlab pueden devolver más de un valor y, en muchos casos, pude que el segundo o tercero sea el más interesante para nuestro problema.

Imagen de Hans Braxmeier en Pixabay

¿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

  • La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
  • La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)
  • Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring
  • El Binning en Credit Scoring: El Arte de Discretizar Variables
  • Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso
  • Analytics Lane lanza la versión 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial
  • Subplots en Matplotlib: cómo organizar múltiples gráficos en una sola figura
  • Ley de Benford: cómo detectar datos manipulados con ejemplos reales
  • Síndrome del objeto brillante en ciencia de datos: el error simétrico a los costes hundidos

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

El Binning en Credit Scoring: El Arte de Discretizar Variables

junio 16, 2026 Por Daniel Rodríguez

Noticias

Analytics Lane lanza la versión 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial

junio 12, 2026 Por Daniel Rodríguez

La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)

junio 11, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Introducción a las gráficas de tarta en Matplotlib publicado el septiembre 30, 2024 | en Python
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • pandas Pandas: Cómo crear un DataFrame vacío y agregar datos publicado el noviembre 16, 2020 | en Python
  • Regresión de Vectores de Soporte (SVR, Support Vector Regression) publicado el diciembre 17, 2021 | en Ciencia de datos
  • Visualización de matrices en Seaborn: Mapas de calor y dendrogramas publicado el agosto 8, 2023 | en Python

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

  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria

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