• 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

Importar Excel en Matlab de forma eficiente

febrero 16, 2022 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

En 2019 Matlab introdujo las funciones read*() para facilitar la importación de datos desde archivos, como puede ser en caso de CSV o Microsoft Excel. Por lo que se puede emplear para reemplazar a las antiguas csvread() y xlsread(), evitando además la necesidad de disponer de una versión de Excel instalada en el equipo para poder trabajar con este tipo de archivos, algo que se nota especialmente en las versiones de Linux y Mac. Aún así, en el caso de que se desee actualizar código antiguo para trabajar con archivos Excel en Matlab de forma eficiente es necesario tener en cuenta algunos cambios que introducen las nuevas versiones.

Importar Excel en Matlab en versiones anteriores

Antes de 2019, la función que se debía utilizar para importar archivos Excel en Matlab es usar la función xlsread(). Una función que como primer parámetro recibía la ruta al archivo y, de forma opcional, el nombre de la hoja que se desea importar. Importando el contenido de la primera hoja cuando no se indicaba el nombre de una. Devolviendo como resultado hasta cuatro variables: el contenido de las casillas numéricas en una matriz, el resultado de las casillas de texto en una celda, el resultado de todas las casillas en una celda y los resultados de la función de procesado en caso de que se indique una. Por eso lo más habitual era usar esta función en el caso de que solamente se necesitasen los datos numéricos como

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

data = xlsread(‘data.xlsx’);

Algo que se puede reemplazar en la mayoría de los casos por lo siguiente:

data = readmatrix(‘data.xlsx’);

Aunque, en mi experiencia, era más habitual usar el tercer resultado ya que también incluye el contenido de otras celdas como nombres o fechas.

[~, ~, data] = xlsread(‘data.xlsx’);

Lo que se puede reemplazar básicamente por la siguiente instrucción:

data = readcell(‘data.xlsx’);

Ventajas de trabajo con readcell() frente a xlsread()

El hecho de cambiar xlsread() por readcell() tiene algunas ventajas adicionales con algunos tipos de datos. Ahora las nuevas funciones procesan de una forma más eficiente algunos tipos de datos, como las fechas o los valores faltantes.

Importación de las fechas

Una de las ventajas que ofrece la función readcell() frente a xlsread() es que el contenido de las casillas con fecha se importan como un objeto, no como una cadena de texto. Lo que simplifica trabajar con este tipo de datos. Ahora no es necesario identificar las celdas que contienen fechas y procesar primero las cadenas de texto, con los problemas que esto podía traer debido a los diferentes formatos existentes.

Aunque, en el caso de que los datos se desean procesar con código legado esto puede suponer un problema, ya que ese esperara una cadena de texto. Algo que se puede solucionar asignando a la propiedad 'DatetimeType' el valor 'Text'. Al hacer esto se replica el comportamiento de la con las fechas de la función xlsread().

Valores missing

Otra de las ventajas que ofrece la función readcell() es poder diferenciar entre valores nulos y vacíos (NaN y missing). Los cuales no se podían diferencia en xlsread(), en ambos casos se obtiene como respuesta NaN, y suelen tener un significado diferente a la hora de analizar los datos.

Al igual que el caso de las fechas esto puede provocar fallos al trabajar con código legado que no tendrá en cuenta la posible existencia de valores missing. Un valor que se introdujo en el 2013. En este caso no existe un parámetro, por lo que será necesario reemplazar los valores missing con NaN, algo que se puede hacer simplemente con

data(cellfun(@ismissing, data)) = {NaN};

Conclusiones

En esta ocasión se ha visto las ventajas que ofrecen las funciones readmatrix() y readcell() frente a xlsread() para importar datos. Unas ventajas que permiten trabajar con archivos de Microsoft Excel en Matlab de forma eficiente. Además, también hemos visto cómo se puede configurar estas nuevas funciones para replicar los resultados de las anteriores, algo útil cuando se tiene que mantener código legado.

Image by ELG21 from 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

  • 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