Vorverarbeitung von Daten

Datenbereinigung, -glättung, -gruppierung

Die Daten können Vorverarbeitungstechniken benötigen, um genaue, effiziente oder aussagekräftige Analysen sicherzustellen. Die Datenbereinigung bezieht sich auf Methoden, mit deren Hilfe falsche oder fehlende Daten gefunden, entfernt und ersetzt werden können, Durch Erfassung lokaler Extrema und plötzlicher Änderungen können signifikante Datentrends erkannt werden. Die Prozesse Glättung und Trendbereinigung beseitigen Rauschen und polynomiale Trends aus Daten, während Skalierung die Datengrenzen ändert. Durch Gruppieren und Binning werden Dateneigenschaften nach Gruppen identifiziert.

Apps

Data Cleaner

Preprocess and organize column-oriented data (Seit R2022a)

Live Editor Tasks

Bereinigen von fehlenden Daten	Find, fill, or remove missing data in the Live Editor (Seit R2019b)
Bereinigen von Ausreißerdaten	Find, fill, or remove outliers in the Live Editor (Seit R2019b)
Finden von Kipppunkten	Find abrupt changes in data in the Live Editor (Seit R2019b)
Finden lokaler Extrema	Find local maxima and minima in the Live Editor (Seit R2019b)
Glätten von Daten	Smooth noisy data in the Live Editor (Seit R2019b)
Finden und Entfernen von Trends	Find and remove polynomial or periodic trends from data in the Live Editor (Seit R2019b)
Normalisieren von Daten	Center and scale data in the Live Editor (Seit R2021b)
Pivot-Tabelle	Summarize tabular data in pivoted table in the Live Editor (Seit R2023b)
Berechnen nach Gruppe	Summarize, transform, or filter by group in the Live Editor (Seit R2021b)

Funktionen

alle erweitern

Fehlende Daten und Ausreißer

`anymissing`	Determine if any array element is missing (Seit R2022a)
`ismissing`	Find missing values
`rmmissing`	Remove missing entries
`fillmissing`	Fill missing entries
`fillmissing2`	Fill missing entries in 2-D data (Seit 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 (Seit R2024a)
`movmad`	Moving median absolute deviation

Erfassen von Kipppunkten und lokalen Extrema

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

Glätten von Daten und Finden von Trends

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

Normalisieren und Skalieren von Daten

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

Gruppieren und Binning von Daten

`discretize`	Group data into bins or categories
`pivot`	Summarize tabular data in pivoted table (Seit R2023a)
`groupsummary`	Group summary computations
`groupcounts`	Number of group elements
`groupfilter`	Filter by group (Seit R2019b)
`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

Themen

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.