La traduzione di questa pagina non è aggiornata. Fai clic qui per vedere l'ultima versione in inglese.

Pre-elaborazione dei dati

Pulizia, smoothing e raggruppamento dei dati

I dati possono richiedere tecniche di pre-elaborazione per garantire un'analisi accurata, efficiente o significativa. La pulizia dei dati si riferisce ai metodi per trovare, rimuovere e sostituire i dati errati o mancanti. L'individuazione di estremi locali e di cambiamenti repentini può aiutare a identificare le tendenze dei dati significativi. Lo smoothing e il detrending sono processi per rimuovere il rumore e le tendenze polinomiali dai dati, mentre il ridimensionamento modifica i limiti dei dati. I metodi di raggruppamento e aggregazione identificano le caratteristiche dei dati per gruppi.

App

Data Cleaner

Preprocess and organize column-oriented data (Da R2022a)

Attività di Live Editor

Pulire i dati mancanti	Find, fill, or remove missing data in the Live Editor
Pulire i dati anomali	Find, fill, or remove outliers in the Live Editor
Trovare i punti di modifica	Find abrupt changes in data in the Live Editor
Trovare gli estremi locali	Find local maxima and minima in the Live Editor
Eseguire lo smoothing dei dati	Smooth noisy data in the Live Editor
Trovare e rimuovere le tendenze	Find and remove polynomial or periodic trends from data in the Live Editor
Normalizzare i dati	Center and scale data in the Live Editor (Da R2021b)
Tabella pivot	Summarize tabular data in pivoted table in the Live Editor (Da R2023b)
Calcolare per gruppo	Summarize, transform, or filter by group in the Live Editor (Da R2021b)

Funzioni

espandi tutto

Dati mancanti e anomali

`anymissing`	Determine if any array element is missing (Da R2022a)
`ismissing`	Find missing values
`rmmissing`	Remove missing entries
`fillmissing`	Fill missing entries
`fillmissing2`	Fill missing entries in 2-D data (Da R2023a)
`missing`	Create missing values
`standardizeMissing`	Insert standard missing values
`isoutlier`	Find outliers in data
`rmoutliers`	Detect and remove outliers in data
`filloutliers`	Detect and replace outliers in data
`clip`	Clip data to range (Da R2024a)
`movmad`	Moving median absolute deviation

Rilevamento dei punti di cambiamento e degli estremi locali

`ischange`	Find abrupt changes in data
`islocalmin`	Find local minima
`islocalmin2`	Find local minima in 2-D data (Da R2024a)
`islocalmax`	Find local maxima
`islocalmax2`	Find local maxima in 2-D data (Da R2024a)

Smoothing dei dati e rilevamento delle tendenze

`smoothdata`	Smooth noisy data
`smoothdata2`	Smooth noisy data in two dimensions (Da R2023b)
`movmean`	Moving mean
`movmedian`	Moving median
`detrend`	Remove polynomial trend
`trenddecomp`	Find trends in data (Da R2021b)

Normalizzazione e ridimensionamento dei dati

`normalize`	Normalize data
`rescale`	Scale range of array elements

Raggruppamento e aggregazione dei dati

`discretize`	Group data into bins or categories
`pivot`	Summarize tabular data in pivoted table (Da R2023a)
`groupsummary`	Group summary computations
`groupcounts`	Number of group elements
`groupfilter`	Filter by group
`grouptransform`	Transform by group
`histcounts`	Histogram bin counts
`histcounts2`	Bivariate histogram bin counts
`findgroups`	Find groups and return group numbers
`splitapply`	Split data into groups and apply function
`rowfun`	Apply function to table or timetable rows
`varfun`	Apply function to table or timetable variables
`accumarray`	Accumulate vector elements

Argomenti

Clean Messy and Missing Data in Tables
Standardize, fill, or remove missing values in tables, and reorganize tables by sorting rows and moving variables.
Summarize or Pivot Data in Tables Using Groups
Interpret data based on common characteristics by creating and visualizing a grouped summary table or pivoted table.
Perform Calculations by Group in Table
Specify groups of data in tables and timetables, and perform calculations by group. Choose a function for group calculations using these recommendations.