[Infographic] Lista de comprobación para la limpieza de datos

La limpieza de datos ocupa el 80% del flujo de trabajo en ciencia de datos. Por eso hemos creado esta lista de comprobación: para ayudarte a detectar y resolver cualquier problema de calidad en tus datos. Si quieres aprender más sobre cómo limpiar datos, echa un vistazo a nuestros cursos de Cleaning Data in Python y de R, respectivamente. 

Para descargar esta infografía, pulsa en la imagen de arriba

Problemas de restricciones de datos

1. Restricciones de tipo de dato

• Qué es: Comprobar que las columnas tienen el tipo de dato correcto antes de empezar el análisis. 
• Ejemplo en la práctica: Una columna revenue_usd que es una cadena en lugar de un tipo numérico.
• Posibles soluciones: Convertir al tipo de dato correcto

2. Restricciones de rango de datos

• Qué es: Comprobar que las columnas tienen el rango adecuado. Especialmente importante en columnas con límites.
• Ejemplo en la práctica: Una columna gpa que debería estar limitada a [0.0, 4.0]
• Posibles soluciones:
  • Revisar posibles erratas, como un punto decimal mal colocado.
  • Eliminar filas cuyos valores rompen las restricciones de rango
  • Ajustar el valor que rompe las restricciones al máximo o al mínimo permitido
  • Marcar como ausente el valor que rompe las restricciones y realizar imputación

3. Restricciones de unicidad

• Qué es: Asegurarse de que no existan duplicados exactos o casi idénticos entre tus filas. 
• Ejemplo en la práctica: Una fila duplicada en la que las columnas name y phone_number son idénticas, pero height_cm no lo es
• Posibles soluciones:
  • Conservar solo una de las filas duplicadas exactas
  • Fusionar filas con duplicados no exactos 

Problemas con texto y datos categóricos

1. Restricciones de pertenencia en datos categóricos

• Qué es: Garantizar que las columnas categóricas tengan categorías correctas y coherentes
• Ejemplo en la práctica: Dos entradas diferentes para «New York» en la columna city
• Posibles soluciones:
  • Eliminar las filas afectadas por categorías incoherentes
  • Reasignar las categorías incoherentes al nombre correcto
  • Inferir categorías a partir de otros datos cuando no esté claro cómo reasignarlas

2. Incumplimiento de longitud en datos de texto

• Qué es: Garantizar que las columnas de texto que siguen un estándar específico tengan la misma longitud de cadena 
• Ejemplo en la práctica: Una columna de phone_number de EE. UU. con 9 caracteres en lugar de 14
• Posibles soluciones:
  • Eliminar las filas afectadas por el incumplimiento de longitud
  • Marcar las observaciones afectadas como ausentes

3. Datos de texto con formato incoherente

• Qué es: Garantizar que las columnas de texto sigan un formato coherente (por ejemplo, uso consistente de mayúsculas/minúsculas, espacios, guiones, etc.) 
• Ejemplo en la práctica: Nombres propios escritos con mayúsculas en unas filas y en minúsculas en otras
• Posibles soluciones:
  • Normalizar el formato (capitalización, espacios, signos)
  • Eliminar filas gravemente afectadas si no es posible normalizarlas

Problemas de uniformidad de datos

1. Uniformidad de unidades en columnas numéricas

• Qué es: Asegurarse de que las columnas numéricas usan las mismas unidades (por ejemplo, temperatura en Celsius o Fahrenheit en todas las observaciones; especialmente relevante al combinar datos de distintos países o fuentes). 
• Ejemplo en la práctica: Una columna de temperatura en Celsius con valores absurdamente altos o bajos 
• Posibles soluciones:
  • Eliminar filas sin contexto de unidades y que no superen una comprobación básica
  • Estandarizar las unidades siempre que sea posible

2. Uniformidad de formatos en columnas de fecha

• Qué es: Asegurarse de que las columnas de fecha usan el mismo formato de fecha y hora
• Ejemplo en la práctica: Columna birthday con fechas en dd-mm-yyyy y en mm-dd-yyyy
• Posibles soluciones:
  • Estandarizar los formatos de fecha y hora cuando sea posible
  • Eliminar filas sin contexto de formato y que no superen una comprobación básica

3. Validación entre campos en columnas numéricas

• Qué es: La validación entre campos usa varias columnas de un conjunto de datos para verificar la validez de otra. Por ejemplo, comprobar que las partes suman el total correspondiente.
• Ejemplo en la práctica: Reservas de vuelo por clase que suman el total de reservas registradas
• Posibles soluciones:
  • Eliminar filas que no superen las comprobaciones básicas
  • Aplicar reglas basadas en el conocimiento del dominio y del propio dato 

4. Validación entre campos en columnas de fecha

• Qué es: Asegurarse de que las columnas de fecha y tiempo superen comprobaciones básicas (por ejemplo, que la fecha de registro a un webinar sea anterior a la fecha de asistencia) 
• Ejemplo en la práctica: Una columna date_of_birth que no se corresponde con la columna age
• Posibles soluciones:
  • Eliminar filas que no superen las comprobaciones básicas
  • Aplicar reglas basadas en el conocimiento del dominio y del propio dato 

Problemas de datos ausentes

1. Ausencia completamente al azar

• Qué es: Cuando no existe relación sistemática entre los valores ausentes y otros valores del conjunto de datos
• Ejemplo en la práctica: No se observa relación entre los datos ausentes y otros valores del conjunto
• Posibles soluciones:
  • Eliminar filas con valores ausentes
  • Imputar filas ausentes con medidas de centralidad como mediana o media
  • Imputar filas ausentes con métodos algorítmicos basados en aprendizaje automático
  • Recopilar nuevos puntos de datos y variables 

2. Ausencia al azar

• Qué es: Cuando existe una relación sistemática entre los datos ausentes y otros valores observados
• Ejemplo en la práctica: Datos del censo ausentes de una región específica porque el servicio postal no tiene cobertura completa en esa zona
• Posibles soluciones:
  • Eliminar filas con valores ausentes
  • Imputar filas ausentes con medidas de centralidad como mediana o media
  • Imputar filas ausentes con métodos algorítmicos basados en aprendizaje automático
  • Recopilar nuevos puntos de datos y variables 

3. Ausencia no al azar

• Qué es: Cuando existe una relación sistemática entre los datos ausentes y otros valores no observados 
• Ejemplo en la práctica: Lecturas de temperatura de un sensor ausentes porque la temperatura era demasiado baja o demasiado alta
• Posibles soluciones:
  • Eliminar filas con valores ausentes
  • Imputar filas ausentes con medidas de centralidad como mediana o media
  • Imputar filas ausentes con métodos algorítmicos basados en aprendizaje automático
  • Recopilar nuevos puntos de datos y variables