Administracion y Organizacion de Archivos

S.E.P.

S.N.E.S.T.

D.G.E.S.T.

INSTITUTO TECNOLÓGICO DEL ISTMO

MATERIA: ADMINISTRACIÓN Y ORGANIZACIÓN DE DATOS

CATEDRATICO: LOPEZ ESTEVA MARENA

ALUMNA: MENDOZA LOPEZ MAYRA

TRABAJO: INVESTIGACIÓN ORGANIZACIÓN DE ARCHIVOS ACTUALES

ESPECIALIDAD: ING. INFORMATICA

GRUPO: 4T

ADMINISTRACIÓN Y ORGANIZACIÓN DE DATOS

ÍNDICE GENERAL

ORGANIZACIÓN DE ARCHIVOS ACTUALES

1.1.- PROCESAMIENTO DE ARCHIVOS CSV………………………………………. 4 1.2.- PROCESAMIENTO DE ARCHIVOS XML………………………………………. 5 1.3.- ORGANIZACIONES DE ARCHIVOS NO ESTRUCTURADOS………………. 6 1.4.- VISUALIZACIÓN DE LA INFORMACIÓN……………………………………..... 7 - REPRESENTACIÓN TABULAR……………………………………………………… 8 - REPRESENTACIÓN GRÁFICA………………………………………………………. 8 - REPRESENTACIÓN JERÁRQUICA…………………………………………………11

Organización de Archivos Actuales

Página 2


INTRODUCCIÓN Dentro de los sistemas de información se puede ver un factor muy importante que contribuye con la conservación de la información, denominado “Archivos” que es el conjunto de todas las presencias de un registro diseñado. Por medio de la elaboración de ésta investigación se pretende profundizar sobre el análisis de los archivos y más que nada sus formas de procesamiento, conocer su clasificación y métodos para poder acceder a ellos.


Página 3


Un archivo es el conjunto de todas las presencias de un registro diseñado. Los archivos manejan una serie de conceptos cuya comprensión es necesaria para comenzar a aproximarnos a la gestión de datos y al diseño de archivos. Además representan aquellas acciones que integran el contenido fundamental de la gestión de documentos electrónicos de archivo.

PROCESAMIENTO DE ARCHIVOS CSV CSV (Comma-Separated Values) son un tipo de archivo en formato abierto, que se pueden representar los datos en una tabla, donde las columnas son separadas por comas y las filas por saltos de línea. El formato de archivo CSV (*.csv) guarda únicamente el texto y los valores como aparezcan en las celdas de la hoja de cálculo activa. Todas las filas y todos los caracteres en cada celda se guardarán. Las columnas de datos se separan mediante comas y cada fila termina en un retorno de carro. Si una celda contiene una coma, el contenido de la celda se escribirá entre comillas dobles. Si las celdas presentan fórmulas en vez de valores, éstas se convertirán como texto. Todo el formato, gráficos, objetos y cualquier otro contenido de la hoja de cálculo se perderán. El símbolo del euro se convertirá en signo de interrogación. Previo a la creación del archivo CSV en Microsoft® Excel, se requiere definir realizar la configuración regional del sistema operativo en los siguientes parámetros: Separador de decimales: punto Separador de miles: coma Separador de lista: coma


Página 4


Ejemplo 987,juan,87345,10 876,pedro,43649,8 123,jorge,03342,av. 69,vicente,61560,valencia 18,lorenzo,06490,sol 19,lucía,06480,luna nº8

norte oriente libertad

342 342 23 nº183 nº18

PROCESAMIENTO DE ARCHIVO XML XML es un lenguaje de meta marcado que ofrece un formato para la descripción de datos estructurados. Esto facilita unas declaraciones de contenido más precisas y unos resultados de búsquedas más significativos en varias plataformas. Además, XML habilitará una nueva generación de aplicaciones para ver y manipular datos basadas en el Web. XML ofrece una representación estructural de los datos que se puede implementar ampliamente y es fácil de distribuir. XML es un subconjunto de SGML optimizado para el Web. Definido por el World Wide Web Consortium (W3C) (en inglés), XML garantiza que los datos estructurados sean uniformes e independientes de aplicaciones o fabricantes. La interoperabilidad resultante está creando rápidamente una nueva generación de aplicaciones de comercio electrónico en la Web. La tecnología XML busca dar solución al problema de expresar información estructurada de la manera más práctica y reutilizable posible. Que la información sea estructurada quiere decir que se compone de partes bien definidas, y que esas partes se componen a su vez de otras partes. DE manera que sea simple el análisis e identificación de cada una de esas partes que conforman la estructura. En este tipo de archivo se aplican las reglas establecidas por la tecnología XML. XML, que proporciona un estándar de datos que puede codificar el contenido, la semántica y los esquemas de una gran variedad de casos, desde los más simples a los más complejos, sirve para marcar lo siguiente: Organización de Archivos Actuales

Página 5


Un documento normal. Un registro estructurado, como un registro de citas o un pedido de compra. Un objeto con datos y métodos, como el formulario permanente de un objeto Java o de un control ActiveX. Un registro de datos, como el conjunto de resultados de una consulta. Meta contenido sobre un sitio Web, como el formato de definición de canal (CDF). Representaciones gráficas, como la interfaz de usuario de una aplicación. Entidades y tipos de esquema estándar. Todos los vínculos entre datos y personas que hay en el Web.

ORGANIZACIONES DE ARCHIVOS NO ESTRUCTURADOS El hecho de que no tengan una estructura definida, obl iga a que con cada dato se deba almacenar información a cerca de su contenido. Cada registro está compuesto por el par identificador/valor con separadores entre ambos y a su vez con separadores entre diferentes parejas. Por su propia naturaleza autodescriptiva el espacio que ocupan con respecto a la información verdaderamente útil es excesivamente elevado. La inserción tiene un coste computacional bajo ya que siempre se insertaran los nuevos registr os al final del último bloque en disco. Por tanto, el orden de eficiencia es O(1). Inserción: incluir un nuevo registro en el archivo de datos. Lectura: localizar un registro a partir de algún valor de clave primaria ó secundaria. Lectura consecutiva: tras haber realizado una lectura, consiste en leer el siguiente

registro según el criterio de búsqueda establecido, de forma ordenada. Lectura exhaustiva: Listar todos los registros desde el principio hasta el final, sin

ordenar. Lectura ordenada: Listar todos los registros desde el principio hasta el final,

ordenados por clave. Organización de Archivos Actuales

Página 6


Borrado: Eliminar el registro del archivo. Actualización: Modificar los valores de un registro. Reorganización: Compactar el

archivo eliminando los huecos dejados por los registros borrados o actualizados.





 







La lectura es totalmente secuencial desde el comienzo y puede suponer la lectura del archivo completo. Para cada registro accedido, antes de comparar con su valor hay que localizar el identificador deseado según el criterio de búsqueda establecido. Es por tanto, una operación costosa de eficiencia O(N). La lectura consecutiva del registro siguiente (en orden) dado su anterior es costosa ya que el archivo no mantiene orden alguno. Supondrá la lectura de todo el archivo desde su inicio, y el orden de eficiencia es O(N). La lectura exhaustiva es una operación poco costosa de eficiencia O(N). La lectura ordenada, por el contrario, es una operación muy costosa de eficiencia O(N2). Para cada dato hay que leer de nuevo el archivo completo. El borrado consiste en marcar el registro con un carácter especial. No requiere ninguna otra acción especial. Su eficiencia es O (1). La actualización. Si el registro no cambia de tamaño, se actualiza directamente. En cambio, si la longitud varía habrá que marcar el registro como borrado y realizar la posterior inserción como si de uno nuevo se tratara. En cualquier caso, la eficiencia es O(1). La reorganización, o compactación requerirá de un archivo auxiliar donde ir copiando los registros válidos, comenzando por el primero hasta el final del archivo.

VISUALIZACIÓN DE LA INFORMACIÓN Visualización es la formación en la mente de una imagen de un concepto. En este contexto, se entiende visualización como la representación gráfica de variables asociadas al concepto que se quiere visualizar. Visualización de la Información es el proceso de interiorización del conocimiento mediante la percepción de información.


Página 7


La Visualización de la Información se beneficia básicamente de que: • Los seres humanos reciben información de forma eminentemente visual ya que es el sentido con mayor ancho de banda, es decir, que proporciona mayor cantidad de información. • La capacidad simbólica del cerebro humano.

METÁFORAS PARA LA VISUALIZACIÓN DE LA INFORMACIÓN Una metáfora visual es la representación de un sistema mediante atributos visuales propios de un sistema diferente que ya es familiar a los usuarios y que se comporta de una manera análoga. Ejemplos: - Metáfora del escritorio del S. O. Windows (archivadores y carpetas) - Metáfora del árbol - Metáfora de la red - Metáfora del paisaje - etc. La metáfora del paisaje es muy útil para representar gran cantidad de datos de forma muy intuitiva. Las nociones de distancia y altura son fácilmente comprensibles para la mayoría de la gente. Los mapas que utilizan esta metáfora, denominados mapas topográficos o cartográficos codifican varias variables: similitud, densidad, centralidad, etc.

REPRESENTACIÓN TABULAR Y GRÁFICA DE LA INFORMACIÓN

Es llevar los resultados a cuadros para facilitar su proceso y es llevar los cuadros a grafico para hacer las primeras interpretaciones. Cada pregunta lleva asociado un cuadro y una gráfica, y para relacionar una o más variables se pueden hacer un cruce de variable o tabla de contingencia.


Página 8


La tabulación se hace dependiendo el tipo de variables 1. Tabulación para variables cualitativas Pregunta (1) y (4) Se lleva la información o un cuadro así:

Xi

ni

hi

X1

n1

h1

X2

n2

h2

X3

n3

h3

:

:

:

:

:

:

:

:

:

Xk

nk

hk

N

100%

Significado de cada variable n= Tamaño de la muestra xi= Se llama variable de interés ni= Se llama frecuencia absoluta. Es el número de veces que se repite cada opción de la variable de interés. hi= Se llama frecuencia relativa, contiene el porcentaje de participación de cada una delas opciones de la variable de interés. Y se halla por la formula hi=nin*100%

Ejemplo: Tomemos los datos de la encuesta realizada. Para encontrar la relación entre el hábito al cigarrillo y los problemas de hipertensión. Organización de Archivos Actuales

Página 9


Esta encuesta se le ha realizado a un grupo de 20 personas es decir la muestra(n) son 20 personas. Cómo vamos a tabular sólo variables cualitativas vamos a escoger los resultados obtenidos para la siguiente pregunta. 1) Usted Fuma Si__ No___ Con los resultados se elabora una tabla de la siguiente manera:

Observemos:

Xi

Ni

Hi

Si

13

0,65

No

7

0,35

20

100%

En la columna de xi tabulamos las posibles puestas obtenidas es decir “si” o “no”. En la columna de ni contamos la veces que respondieron los encuestados si y no. En la columna de h: Se usó la formula hi=nin para hallar el valor porcentual para cada ni.

Gráfica. Una gráfica es una ayuda visual a la interpretación de unos resultados. Cada tipo de variable tiene una gráfica ideal. Para las variables cualitativas las gráficas son:

Grafica de barras Grafica circular 2. Tabulación tipo II, frecuencial o en forma compuesta.


Página 10


Se utiliza para la variable discreta llevando la información en un cuadro así:

Xi

ni

Ni

hi

Hi

X1 n1 N1 h1

H1

X2 n2 N2 h2

H2

X3 n3 N3 h3

H3

:

:

:

:

:

:

:

:

:

:

:

:

:

:

:

Xk nk Nk hk n

Hk

100%

Significado de cada variable n= Tamaño de la muestra. xi= variable de interés contiene los diferentes resultados de la variable discreta. Se coloca de menor a mayor. Y aunque este se repita se coloca una solo vez. Ni = Frecuencia absoluta acumulada contiene el número de veces que se repite la variable de interés desde la primera hasta la respectiva esto quiere decir que va acumulando la absoluta. Hi=Frecuencia relativa acumulada. Lleva la frecuencia absoluta acumulada a porcentaje se puede hallar de dos formas. 1) Utilizando la formula Hi =Nin. 2) Acumulando la frecuencia relativa.


Página 11


REPRESENTACIÓN JERARQUICA Este tipo de representación visual donde los elementos se presentan en diferentes niveles, ramas o agrupaciones, que descienden de un nodo raíz es la más común cuando la propia naturaleza del conjunto de datos a visualizar es jerárquica, como por ejemplo en la visualización de estructuras complejas de directorios y ficheros de sistemas informáticos. En el caso de la visualización de estructuras de datos multidimensionales, donde no están definidas de forma explícita las relaciones jerárquicas entre estos, este tipo de visualización es consecuencia de la aplicación de técnicas de clasificación o agrupación. Este es el caso de las técnicas estadísticas de clustering o análisis de conglomerados, que a través de un proceso iterativo van agrupando los diferentes elementos en función de su similaridad, así como agrupando los diferentes grupos en ramas o niveles jerárquicos. Entre las técnicas de clustering podemos diferenciar alrededor de 150 tipos diferentes en base a las reglas de aglomeración utilizadas. Dentro de las reglas de aglomeración más comunes encontramos: encadenamiento simple ( single link ), también denominado método del vecino más cercano; encadenamiento completo (complete link ), o método del vecino más lejano; encadenamiento promedio; y el método de Ward o método de la suma de cuadrados (Herrero-Solana 2000).

Figura 4: Dendrograma basado en el método de Ward (Herrero-Solana, MoyaAnegón 1999) Organización de Archivos Actuales

Página 12


El resultado gráfico de la aplicación de estas técnicas suele ser en forma de dendograma, donde se pueden apreciar visualmente los diferentes grupos y subgrupos generados. Para su uso en la producción de 'Visual Interfaces for Information Retrieval' se podrían representar mediante metáforas jerárquicas alternativas como las jerarquías hiperbólicas (Lamping, et al. 1995), o como los treemaps representación plana de una jerarquía en un espacio bi-dimensional (Shneiderman 1992; Kobourov & Yusufov 2005). El mayor problema que presentan las técnicas de clustering es que no posibilitan el etiquetado o rotulado automático de cada uno de los grupos y subgrupos creados, por lo que el usuario sólo podría identificar la clase o grupo a través de la exploración de sus elementos contenidos. Este trabajo se ha estructurado en tres secciones correspondientes a las tres etapas o fases principales que conforman la mayoría de esquemas metodológicos propuestos para la producción automatizada de 'Visual Interfaces for Information Retrieval' (Chung, et al. 2003;Polanco & Zartl 2002; Turetken & Sharda 2003 y Börner et al. 2003): 

Análisis y transformación de los datos



Aplicación de los algoritmos de clasificación y distribución visual



Aplicación de técnicas de transformación visual

Análisis y transformación de los datos El primer paso para visualizar espacios complejos de información es la indización automática del conjunto de documentos electrónicos, que al igual que en sistemas basados en querying normalmente se realiza en base al modelo de espacio vectorial originalmente propuesto por Salton (1989). Si por un lado el objetivo de este modelo de representación de datos en sistemas basados en querying consiste en posibilitar la equiparación parcial entre consulta y conjunto documental; en los sistemas basados en browsing gráfico el objetivo es posibilitar tanto la clasificación automática del conjunto documental como el descubrimiento de relaciones estructurales subyacentes. Cuando los documentos electrónicos a indizar contienen información complementaria, como hiperenlaces o etiquetas de marcado que estructuren su contenido, ésta también puede ser vectorizada para su posterior aprovechamiento. Una vez vectorizado el conjunto documental, sobre este espacio vectorial se pueden llevar a cabo una serie de análisis con el objetivo de descubrir relaciones Organización de Archivos Actuales

Página 13


semánticas entre documentos, así como entre términos. Se obtiene de esta forma una matriz de distancias N x N, siendo N el número de documentos o de términos. Estas técnicas pueden ser englobadas bajo la categoría de Minería de Datos, que es definido como un proceso de descubrimiento de conocimiento (a priori desconocido) sobre repositorios de datos complejos, mediante la extracción de información 'oculta' y potencialmente útil en forma de patrones globales y relaciones estructurales implícitas entre datos (Kopanakis & Theodoulidis 2003). Dentro de las técnicas de Minería de Datos encontramos tres tipos distintos: minería de contenido, minería de estructura y minería de uso (Berendt et al. 2002; Baeza-Yates 2004).

Minería de contenido Si partimos de la premisa de que los términos de un documento representan su contenido, la co-ocurrencia de un mismo término en dos documentos diferentes establecería una relación semántica entre éstos. Si asumimos este hecho es posible calcular la similaridad entre dos documentos comparando los vectores de cada documento mediante funciones de similaridad. Igualmente es posible calcular la similaridad entre términos, teniendo en cuenta que la aparición de dos términos en un mismo documento implicaría una relación semántica entre éstos. Para asegurar la fiabilidad y consistencia de la indización automática de textos en lenguaje natural y reducir el número de términos diferentes, antes de contabilizar frecuencias de co-ocurrencia, en muchas ocasiones es prerrequisito llevar a cabo un control terminológico. Entre las técnicas a aplicar podemos señalar: 





Eliminación sobre el conjunto de términos a indizar de aquellos de uso común, mediante su comparación con una lista de palabras vacías previamente definida. Uso de procedimientos de stemming para reducir el conjunto de términos a indizar a su raíz, eliminando de esta forma también duplicados, variantes de género, número, etc. Eliminación sobre el conjunto de términos a indizar de aquellos con frecuencias muy altas o excesivamente bajas.

Minería de estructura La minería de estructura no se refiere a la estructura del espacio documental definida por los hiperenlaces entre sus documentos.


Página 14


Cuando un documento hipervincula a otro documento, este enlace expresa una relación estructural explícita entre los dos documentos. Pero a través del análisis de estos hiperenlaces, también es posible descubrir estructuras implícitas y subyacentes de relación semántica entre documentos. Este es el caso del análisis de la co-sitación, término que se refiere a la co-citación aplicada a los hiperenlaces o ' sitas' entre web sites. En este análisis que desde un mismo documento se enlace una pareja de documentos conjuntamente establece una relación semántica entre los documentos co-citados.

Figura 1: Esquema cositación entre documentos Igualmente, se podría aplicar el análisis de los enlaces comunes para descubrir estructuras de similaridad subyacentes, en el que el hecho de que dos documentos enlacen a un mismo tercer documento establece una relación semántica implícita entre los documentos sitantes.


Página 15


Figura 2: Esquema enlaces comunes (b i b l i o g r a p h i c c o u p l i n g ) entre documentos Minería de uso Cuando el espacio documental se encuentra accesible al público y visitado diariamente, la información recogida por el servidor en forma de ficheros de sesión (log files ) puede aportarnos información adicional acerca de las relaciones semánticas entre el conjunto de documentos. Por ejemplo, que un mismo usuario co-visite o co-acceda a dos documentos diferentes, establece una relación semántica entre los documentos, mayor cuanto mayor sea la frecuencia de este patrón de uso. Así mismo se podrían llevar a cabo análisis más complejos, teniendo en cuenta en qué orden secuencial son visitados los documentos.

Figura 3: Esquema co-acceso entre documentos Este análisis nos puede ofrecer información imposible de descubrir a través de la minería de contenido y de estructura, ya que dos documentos frecuentemente covisitados puede que no se enlacen entre ellos, que no co-siten ni sean co-sitados, e incluso que no presenten co-ocurrencias de términos con una frecuencia relevante.

Comparación de los métodos Los diferentes tipos de análisis indicados nos ofrecen una herramienta para revelar las relaciones semánticas de similaridad entre documentos, incluso entre términos, en base a nuestro espacio documental vectorizado. La información que Organización de Archivos Actuales

Página 16


ofrecen es complementaria, ya que como indicábamos, con un tipo de análisis es posible revelar información semántica que no hubiera podido ser descubierta mediante la única utilización del resto. Chen (1997, 1998) propone un modelo genérico para estructurar y visualizar espacios de información hipertextuales, denominado GSA (Generalised Similarity Análisis). Este modelo ofrece un esquema metodológico para la extracción de las relaciones semánticas entre documentos en base a tres tipos de medidas de similaridad - enlaces hipertextuales, similaridad de contenido y patrones de uso unificado bajo una única función, que el autor denomina de meta-similaridad.


Página 17


BIBLIOGRAFÍA

http://casidiablo.net/procesamiento-xml-java-xerces/ http://www.leobaraldi.com.ar/2008/03/que-es-un-archivo-xml-y-escribir-archivosxml/ http://informationr.net/ir/11-3/paper258.html http://www.scribd.com/doc/67194253/Visualizacion-de-la-informacion www.genesdigitales.comcursoclase.pdf es.wikipedia.org/wiki/CSV sistemas.uniandes.edu.co/~isis2701/.../fetch.php?...xml www.escet.urjc.essmontalvodeteoriaTema.pdf


Página 18

Administracion y Organizacion de Archivos

Recommend Documents