当前位置：文档之家 › Matlab中的数据处理

Matlab中的数据处理

  • 格式：doc
  • 大小：190.00 KB
  • 文档页数：15

Matlab中的数据处理

Matlab中的各种工具箱最主要是以矩阵或数组作为处理对象，因此首先必须将原始数据以矩阵形式加载到Matlab的工作空间，然后对矩阵进行相关操作。

第一部分 数据输入

在Matlab中创建一个矩阵可以有如下几种途径：

一、在Matlab命令窗口直接输入矩阵

例如：

>> A=[1 3 0;2 4 3;-3 4 9]

说明：矩阵或数组的标识符都是[ ]，矩阵同一行之间的元素用空格或逗号分隔，不同行之间用分号或回车符分隔。

二、利用workspace（工作空间）创建或修改矩阵

在工作空间中新建一个空矩阵，然后双击该矩阵名，可以像Office中的Excel电子表格一样进行输入和编辑数据，也可以双击已经存在于工作空间中的变量名，对其进行修改编辑。

例如：>> B=[];

三、采用复制、粘贴的方式构造矩阵

对于存在于外部文件中的比较规范的数据（排列成矩阵形式），可以先将数据块复制到剪贴板上，然后在Matlab中粘贴到相应变量。举例：1、将data01.xls中的数据粘贴到Matlab工作空间中的变量C中。

2、将data02.txt中的数据输入到Matlab工作空间中的变量D中。 四、使用输入函数

对于大量的数据，或者格式更加复杂的数据文件，以上方法就不太方便，此时针对不同格式的数据文件，可以采用相应的输入函数导入数据。

1、load函数

装载Matlab格式的数据文件（.mat）和文本格式的定界符为空格的矩形文件。

例：载入文件“data02.txt”中的数据

2、dlmread函数

将带有定界字符的ASCII数字数据读入矩阵

常用格式：

M=dlmread(‘filename’) %Matlab 从文件格式中推断定界符，逗号是默认定界符。

M=dlmread(‘filename’,delimiter)，指定定界符。

M=dlmread(‘filename’,delimiter,R,C)，从矩形数据的左上角R行、C列的位置开始读入。

注意：矩形数据的开始位置是0行0列。

M=dlmread(‘filename’,delimiter,range)，读取用range指定范围的数据，range=[R1 C1 R2 C2]，R1C1是左上角的行列号，R2C2是右下角的行列号；range也可以用如下表示法：range=’A1..B7’。

例：对于data02.txt中的数据

>> dlmread('d:\data\data02.txt') %读全部数据 >> dlmread('d:\data\data02.txt','',2,3) %读取3行4列以后的数据，两个没有间隔的单引号表示用空格（不限定重复次数）作为定界符。

>> dlmread('d:\data\data02.txt','','c1..g4') %读取C1..G4范围内的数据

>> dlmread('d:\data\data01.txt','-') %其他定界符

3、textread函数

输入含有字母和数字的混合数据

常用格式：

[A,B,C,...] = textread('filename','format') %按format 指定的格式读取filename文件中的全部内容

[A,B,C,...] = textread('filename','format',N) %只重复N次format 格式

按照format 对应的格式，分别输出数据到变量A、B、C„。

Format可包含的参数：

格式 作用 输出

%d 带符号整数 双精度数组

%u 无符号整数 双精度数组

%f 浮点值 双精度数组

%s 用空格或分隔符分隔的字符串 字符串数组

%q 读取双引号中的字符串，忽略双引号 字符串数组

%c 读取字符，包括空格 字符串数组

例：有数据文本文件“data04.txt”，读取其中的内容 >> [names, types, x, y,z, answer] =

textread('d:/data/data04.txt','%s%s%f%d%f%s')

对于只包含纯数字数据的文本文件，textread函数当然也能读取。

>> A = textread('d:/data/data02.txt')

与textread函数类似的函数还有textscan，但功能更丰富，使用更灵活，可参考相关帮助。

4、xlsread函数

从Excel电子表格读取矩阵数据

常用格式：

num = xlsread(filename) %读取filename文件中的数据，忽略标题行或列的文本，而当不在标题行或列的单元格是空的，或者包含文本时，xlsread将在相应位置填上NaN；

num = xlsread(filename, -1) %将在Excel窗口打开filename文件，可以交互选择工作区中的数据文件；

num = xlsread(filename, sheet) %选择工作表sheet，默认为第一个工作表；

num = xlsread(filename, range) %指定工作表中的数据范围，如’A4:B5’

num = xlsread(filename, sheet, range)

例：将电子表格data01.xls中的数据载入到Matlab工作区

>> xlsread('d:\data\data01') >> xlsread('d:\data\data01',-1)

>> xlsread('d:\data\data01','B3:E30')

5、使用输入向导

输入向导（Import Wizard）是把数据输入到Matlab最简单的方法。无须知道被输入数据的格式，只需指定数据文件，向导会自动处理。

从菜单“File→Import Data”打开Import Data 窗口，或者在命令窗口中输入

>> uiimport

也可以打开数据输入向导。

第二部分 数据拟合

在实际工程应用和科学实践中，经常需要寻求两个（或多个）变量间的关系，而实际却只能测得一些分散的数据点。针对这些分散的数据点，运用某种拟合方法生成一条连续的曲线，这个过程成为曲线拟合。曲线拟合可分为参数拟合和非参数拟合。参数拟合采用最小二乘法，非参数拟合也称插值法。

1、多项式拟合

p=polyfit(x,y,n) 用n次多项式拟合向量数据(x,y)。

例：拟合下列数据

x 0.1 0.2 0.15 0.0 -0.2 0.3

y 0.95 0.84 0.86 1.06 1.50 0.72

>> x=[0.1 0.2 0.15 0 -0.2 0.3];y=[0.95 0.84 0.86 1.06 1.50 0.72];

>> p=polyfit(x,y,2); >> xx=-0.2:0.01:0.3;yy=polyval(p,xx);

>> plot(x,y,'or',xx,yy)

2、曲线拟合

当经验函数不是多项式，而是其它类型的函数时，可以用lsqcurvefit函数对拟合函数中的未知参数进行估计。

c=lsqcurvefit(fun,c0,xdata,ydata)

fun是经验拟合函数，含有未知参数，即具有形式fun(c,x)，c0是未知参数的预估计值，(xdata,ydata)是已知实验数据。

例：已知数据表

t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

y 4 6.4 8 8.4 9.28 9.5 9.7 9.86 10 10.2 10.32 10.42 10.5 10.55 10.58 10.6

用适当的曲线进行数据拟合。

先画散点图，根据散点图确定拟合曲线为对数函数lnbtya

>> t=1:16;

>> y=[4 6.4 8 8.4 9.28 9.5 9.7 9.86 10 10.2 10.32 10.42 10.5 ...

10.55 10.58 10.6];

>> plot(t,y,'or')

>> f=inline('c(1)+c(2)*log(t)','c','t') %建立拟合函数

>> c=lsqcurvefit(f,[1,1],t,y) %求未知参数

>> tt=1:0.1:16;yy=f(c,tt);

>> hold on

>> plot(tt,yy) 也可以经过适当的变量替换，将其他函数转化为多项式拟合。如

指数函数bxyae，取对数：lnlnyabx，令lnyY，则YAbx

3、拟合工具箱

Matlab中的拟合工具箱是一个更方便、更直观进行曲线拟合的图形界面，用cftool指令打开拟合工具箱。

界面中主要有5个按钮：

○“Data”按钮：可输出、察看和平滑数据；

○“Fitting”按钮：拟合数据、比较拟合曲线和数据集

○“Exclude”按钮：可从拟合数据中排除特殊的数据点；

○“Ploting”按钮：显示拟合曲线和数据集；

○“Analysis”按钮：可以做内插法、外推法、微分或积分拟合。

拟合效果主要看2个参数：SSE（误差平方和）和R-Square ，SSE越接近0，R-Square越接近1，拟合效果越好。

例：调用Matlab中自带的数据文件census，记录了美国1790-1990年间的人口，时间间隔为10年，找出人口与时间之间的关系。

>> load census

>> cftool

三、多元线性回归

问题：设有因变量y 和p个自变量12,,pxxx，它们具有某种线性关系 1122ppyxxx

其中12,,p为待定系数，为随机误差。现有容量为n观测数据,,1,2,,1,2,iijyxinjp，怎样确定待定系数12,,p，并进行有效性检验？

将样本代入关系式，得YX，其中

1111211221222212,,pppnnnppyxxxyxxxYXyxxx

Matlab求解：

[b,bint,r,rint,stats]=regress(Y,X,alpha)

其中alpha为显著性水平，省略时为默认值0.05；输出变量中，b为的参数估计值，bint为b的置信度为1-alpha的置信区间，r为残差向量YX，也即，rint为的置信区间，stats是包含3个元素的检验统计量，分别是R-square：相关系数R的平方，F-统计量和p值。

回归效果：R-Square越接近1，p值越接近0（一般要求p<0.05）。

合集下载

matlab数据标准化处理方法

matlab数据标准化处理方法

matlab数据标准化处理方法

在MATLAB中，有多种方法可以对数据进行标准化处理。下面介绍几种常用的方法：

1. 最大最小值标准化(Min-Max normalization)：将数据线性地缩放到指定的范围（例如0到1之间）。可以使用`minmax`函数实现。

```

data_normalized = minmax(data);

```

2. Z-Score标准化(Standardization)：通过减去平均值并除以标准差来将数据转化为均值为0，标准差为1的分布。可以使用`zscore`函数实现。

```

data_normalized = zscore(data);

```

3. Decimal Scaling标准化：通过将数据除以某个具有特定位数的常数来缩放数据，使得所有数据的小数位数均一致。可以使用`scaledata`函数实现。

```

data_normalized = scaledata(data);

```

4. 归一化(L2范数标准化)：将每个样本视为向量，并将其归一化为单位范数（即L2范数为1）。可以使用`normc`函数实现。

```

data_normalized = normc(data);

```

这些方法可以根据数据的特点和需求选择适合的标准化方法进行处理。

如何在Matlab中进行数据插补与缺失值处理

如何在Matlab中进行数据插补与缺失值处理

如何在Matlab中进行数据插补与缺失值处理

引言：

数据在现代社会中扮演着重要的角色，然而，很多时候我们会遇到数据中存在缺失值的情况。对于这种情况，我们需要采取一定的方法来处理这些缺失值，以保证数据的准确性和完整性。在本文中，我们将探讨如何在Matlab中进行数据插补与缺失值处理，帮助读者更好地处理和分析数据。

一、数据插补与缺失值处理的重要性

数据的缺失值可能导致许多问题，例如影响统计分析结果的准确性、降低数据挖掘模型的可靠性等。因此，对于缺失值的处理是数据分析的重要环节。而数据插补就是一种常见的处理缺失值的方法，它通过填充缺失值来修复数据集，以便更好地进行后续分析和挖掘。

二、数据插补的常见方法

1. 均值插补法

均值插补法是最简单和常用的一种插补方法。它通过计算非缺失值的均值，然后将这个均值赋给缺失值来进行插补。在Matlab中，可以使用`nanmean`函数来计算均值，并使用逻辑索引来对缺失值进行插补。

2. 线性插值法

线性插值法是一种利用已知数据进行推断的方法。它通过根据已知数据的趋势来估计缺失值，并进行插补。在Matlab中，可以使用`interp1`函数实现线性插值。该函数可以根据给定的已知数据点来估计缺失值，并对缺失值进行插补。

3. 多重插补法 多重插补法是一种比较复杂但较为准确的插补方法。它通过对缺失值进行多次填补来生成多个完整的数据集，然后对这些数据集进行分析，最后将结果进行汇总。在Matlab中，可以使用`mice`包来实现多重插补。

三、缺失值处理的注意事项

在进行数据插补与缺失值处理时，需要注意以下几个问题：

1. 数据缺失的机制：了解数据缺失的原因和机制，可以帮助选择适当的插补方法。常见的数据缺失机制包括随机缺失和非随机缺失。

2. 插补方法的选择：不同的插补方法适用于不同的数据类型和缺失机制。对于连续型变量，可以使用均值插补或者线性插值法；对于分类型变量，可以使用众数插补或者多重插补法。

【工科】matlab数据处理中常用函数的用法

【工科】matlab数据处理中常用函数的用法

多元非线性拟合

function f=x002(beta,x)%定义的目标函数

x1=x(:,1);

x2=x(:,2);

f=beta(1).*x(:,1)+exp(beta(2).*x(:,2));

end

function f=x003()%主函数

x=[2,3;4,5];

y=[0.1;0.5];

beta0=[1,1];

disp(x);

disp(y);

[beta,r,J]=nlinfit(x,y,@x002,beta0);

disp(beta);

disp(r);%每一行的残差

end

for语句

%.m中的代码，函数名objfun必须与.m文件同名

function f=objfun(x,p)

f(1)=x(1)+x(2);

f(2)=x(1)-x(2)+p;

%工作簿代码，

fid = fopen('1.xls','w');

for p=1:1:4

x0 = [-5; -5]; % Make a starting guess at the solution

options=optimset('Display','iter'); % Option to display output

[x,fval] = fsolve(@objfun,x0,options,p); % Call optimizer

fprintf(fid,'%d\t%d\n',x);

end

fclose(fid)

%for循环中，第一个数字是初值，第二个是步距，第三个是终止值；

%fsolve %fopen和fpringf的详解查看matlab的帮助文档

%赋初值

x0=[100;5;100;0.9;0.5;0.3;30;30;0.03;4;150];%注意热容比的值不能取1

options=optimset('Display','iter'); % Option to display output

matlab数据预处理代码

matlab数据预处理代码

matlab数据预处理代码

在进行数据分析时，数据预处理是一个非常重要的步骤。因为原始数据往往存在着一些问题，如缺失值、错误值、异常值等等，这些都会影响我们对数据的分析和结果的准确性。因此，在使用MATLAB进行数据分析时，我们需要对原始数据进行一定的预处理。下面就来介绍一下MATLAB的数据预处理代码。

第一步：读取数据

首先需要导入数据，可以从文本文件、Excel文件或者MATLAB文件中进行导入。比如，可以使用MATLAB中的readtable函数读取Excel表格数据，代码如下：

```matlab

data = readtable('file.xlsx');

```

其中，'file.xlsx'是要读取的Excel文件名。

第二步：处理缺失值

缺失值是指数据表格中某些单元格中没有数据。这种情况在现实中是非常常见的，但对于数据分析来说却是很麻烦的。因此，需要对缺失值进行处理，通常有以下几种方法：

1. 删除缺失值所在行列；

2. 用均值、中位数、众数等替代缺失值；

3. 使用插值法补全缺失值。

下面是用均值替代缺失值的代码：

```matlab

%处理缺失值

mean_value = mean(data{:, 'column_name'}, 'omitnan'); %计算均值，其中 'column_name' 是要处理缺失值的列名

data{isnan(data{'column_name'}), 'column_name'} =

mean_value; %将缺失值替换为均值 ```

第三步：处理异常值

异常值是指与其他观测值相比较明显不同的观测值。在一些数据分析任务中，异常值对结果产生比较大的影响，因此需要对其进行处理。通常有以下几种方法：

1. 删除异常值；

2. 将异常值替换为均值、中位数等；

3. 使用插值法进行处理。

下面是使用中位数替代异常值的代码：