Matlab数据预处理技巧分享
过冷水诚挚邀请你加入Matlab仿真秀官方交流群进行Matlab学习、问题咨询、 Matlab相关资料下载，qq：927550334
经常使用matlab绘图或者做计算自然而然遇到一个很基础的步骤，数据处理，本期过冷水就和大家分享一下matlab数据预处理技巧。
平滑&插值
过冷水再做计算过程中会得到一组数据，对该数据做积分运算。首先就需要做数据拟合，所以自然就会涉及的数据的平滑处理和插值。
过冷水在这里使用的就是fit拟合函数的光滑模式
fun = fit( rawdata(:,1),rawdata(:,2),'*oothingspline' )
该方法可以很好的给出数据的解析式Fun,可用该函数数据范围内任意值的计算，该函数的用法过冷水在往期讲的比较多了，就不在讲了，在学习过程中，过冷水还有接触到其它函数，过冷水在这里和大家一起学习一下，开阔思路。
yy=s*ooth(y)
利用一定平均滤波器对向量y进行平滑处理，返回等长的向量yy具体计算方法为：
原程序
t=linspace(0,2*pi,500)'; y=100*sin(t) noise=normrnd(1,15,500,1) y=y noise yy=s*ooth(y) figure1 = figure; subplot1=subplot(1,2,1,'Parent',figure1); hold(subplot1,'on'); plot(t,y,'Parent',subplot1,'MarkerFaceColor',[1 0 0],'MarkerSize',8,'LineWidth',3); ylabel(subplot1,'$y$','FontSize',30,'Interpreter','latex'); xlabel(subplot1,'$x$','FontSize',30,'Interpreter','latex'); hold(subplot1,'off'); title(subplot1,'原数据'); set(subplot1,'FontSize',20,'LineWidth',3); subplot2=subplot(1,2,2,'Parent',figure1); hold(subplot2,'on'); plot(t,yy,'Parent',subplot2,'MarkerFaceColor',[0 0 1],'MarkerSize',8,'LineWidth',3); ylabel(subplot2,'$y$','FontSize',30,'Interpreter','latex'); xlabel(subplot2,'$x$','FontSize',30,'Interpreter','latex'); hold(subplot2,'off'); title(subplot2,'平滑数据'); set(subplot2,'FontSize',20,'LineWidth',3);
medfilt1
在Matlab信号处理模块可以使用medfilt1函数对原信号数据进行中值滤波处理
y=medfilt1(x,n)
对向量x进行一维中值滤波，返回与x等长的向量y。这里的n是窗宽参数，n是奇数，y的第k个元素等于x的第k-(n-1)/2个元素至k (n-1)/2元素的中位数；当n为偶数，y的第k个元素等于x的第k-(n)/2个元素至k (n)/2-1元素的中位数；
原程序
t=linspace(0,2*pi,500)'; y=100*cos(t) noise=normrnd(1,15,500,1) y=y noise yy=medfilt1(y,30) figure1 = figure; subplot1=subplot(1,2,1,'Parent',figure1); hold(subplot1,'on'); plot(t,y,'Parent',subplot1,'MarkerFaceColor',[1 0 0],'MarkerSize',8,'LineWidth',3); ylabel(subplot1,'$y$','FontSize',30,'Interpreter','latex'); xlabel(subplot1,'$x$','FontSize',30,'Interpreter','latex'); hold(subplot1,'off'); title(subplot1,'原数据'); set(subplot1,'FontSize',20,'LineWidth',3); subplot2=subplot(1,2,2,'Parent',figure1); hold(subplot2,'on'); plot(t,yy,'Parent',subplot2,'MarkerFaceColor',[0 0 1],'MarkerSize',8,'LineWidth',3); ylabel(subplot2,'$y$','FontSize',30,'Interpreter','latex'); xlabel(subplot2,'$x$','FontSize',30,'Interpreter','latex'); hold(subplot2,'off'); title(subplot2,'平滑数据'); set(subplot2,'FontSize',20,'LineWidth',3);
过冷水新学习的数据平滑处理的函数就是以上几个，大致上差不多，但又有不同的地方，最好是针对不同数据类型选用对应的函数平滑处理，而不fit( x,y,'*oothingspline' )到底，在某些情况下有可能会失真。
数据标准化变换
对于多元数据,当各变量的量纲和数量级不一致时,往往需要对数据进行变换处理,以消
除量纲和数量级的限制,过冷水在做做神经网络工作时候，各变量之间量纲不一样，为了使得构建一个合理矩阵就需要做数据变换。以便进行后续统计分析。标准化变换和极差归一化变换是比较常用的方式。
标准化变换公式
zscore函数为标准化变化函数,调用格式为:
rand('seed',1);
x=[rand(5,1),5*rand(5,1),10*rand(5,1),500*rand(5,1)]
[xz,mu,sigma]=zscore(x)
x0=bsxfun(@plus,bsxfun(@times,xz,sigma),mu)%逆标准化变换
x =
0.5129 3.5462 1.9215 215.9352
0.4605 0.5798 4.7136 223.0174
0.3504 0.3904 1.4492 254.1658
0.0950 1.8463 7.1784 264.0439
0.4337 0.1681 6.6171 286.4390
xz =
0.8641 1.5868 -0.9347 -1.1208
0.5460 -0.5145 0.1286 -0.8787
-0.1220 -0.6487 -1.1146 0.1862
-1.6714 0.3826 1.0672 0.5239
0.3833 -0.8062 0.8535 1.2895
mu =
0.3705 1.3062 4.3760 248.7203
sigma =
0.1648 1.4116 2.6259 29.2518
x0 =
0.5129 3.5462 1.9215 215.9352
0.4605 0.5798 4.7136 223.0174
0.3504 0.3904 1.4492 254.1658
0.0950 1.8463 7.1784 264.0439
0.4337 0.1681 6.6171 286.4390极差归一化变换公式
代码
rand('seed',1);
x=[rand(5,1),5*rand(5,1),10*rand(5,1),500*rand(5,1)]
dim=1;
xmin = min(x,[],dim);
xrange = range(x,dim);
xrange0 = xrange;
xrange0(xrange0==0) = 1;
R = bsxfun(@minus,x, xmin);
R = bsxfun(@rdivide, R, xrange0)
x =
0.5129 3.5462 1.9215 215.9352
0.4605 0.5798 4.7136 223.0174
0.3504 0.3904 1.4492 254.1658
0.0950 1.8463 7.1784 264.0439
0.4337 0.1681 6.6171 286.4390
R =
1.0000 1.0000 0.0824 0
0.8745 0.1219 0.5698 0.1005
0.6111 0.0658 0 0.5422
0 0.4968 1.0000 0.6824
0.8104 0 0.9020 1.0000mapminmax函数
在matlab神经网络建模中还有mapminmax函数也可以作为数据映射变换
[Y,PS]=mapminmax(x,xmin,xmax)
x=mapminmax('reverse',Y,PS)mapminmax函数可以将矩阵X中每行数据映射到区间[xmin,xmax]内，代码案例
rand('seed',1);
x = [rand(5,1), 5*rand(5,1), 10*rand(5,1), 500*rand(5,1)]
[y,Ps] = mapminmax(x', 0, 1);
x0 = mapminmax('reverse',y,Ps)'
x =
0.5129 3.5462 1.9215 215.9352
0.4605 0.5798 4.7136 223.0174
0.3504 0.3904 1.4492 254.1658
0.0950 1.8463 7.1784 264.0439
0.4337 0.1681 6.6171 286.4390
x0 =
0.5129 3.5462 1.9215 215.9352
0.4605 0.5798 4.7136 223.0174
0.3504 0.3904 1.4492 254.1658
0.0950 1.8463 7.1784 264.0439
0.4337 0.1681 6.6171 286.4390本期过冷水想要分享的使用数据处理方法就是这么多，读者在应用过程，有遇到其它比较常用的数据处理方法，可以留言分享，过冷水也会在后期详细分享等多的数据处理方法。
过冷水发表于 仿真秀 平台原创文章，未经授权禁止私自转载，如需转载请需要和作者沟通表明授权声明，未授权文章皆视为侵权行为，必将追责。如果您希望加入Matlab仿真秀官方交流群进行Matlab学习、问题咨询、 Matlab相关资料下载均可加群：927550334。
精品回顾
过冷水和你分享 matlab读取存储各种文件的方法 文末有独家金曲分享
