introducción a la limpieza de datos @EscuelaDeDatos en esta presentación aprenderemos los tipos de datos y algunas consideraciones para la correcta limpieza

1. Limpieza de datos
la etapa previa al interrogatorio

2. Según wikipedia
Limpieza de datos: es el acto de descubrimiento, corrección o eliminación de
datos erróneos de una base de datos.
Transformación de datos: En estadística, la transformación de datos se efectúa
para asegurarse así de que tienen una distribución normal (un remedio para los
valores atípicos, fallas de la normalidad, la linealidad, y homocedasticidad).

3. Un excel sucio no causa
desastres...
¿o sí?

4. http://www.cnnexpansion.com/finanzas-personales/2012/01/04/londres-2012-sobrevende-10000-entradas

5. Historias de horror
Los errores en los datos y en el
manejo de herramientas son tan
comunes que incluso existe una
organización llamada Grupo europeo
de evaluación de riesgos para hojas
de cálculo (ESRIG, por sus siglas en
inglés) y que hace recomendaciones
al usuario para evitar errores cuando
se usa una hoja de cálculo.
La ESRIG se encarga de rastrear
historias trágicas en el manejo de
datos. Si quieres saber más, visita
data errors in spreadsheets have led
to real consequences.
http://www.eusprig.org

6. “Dirty Data”
Generalmente es necesario realizar alguna limpieza a los
datos para obtener materia prima adecuada.

7. Reconocimiento
Consiste en realizar un resumen de las características y observar el
modelo para verificar errores.
● Algunos aspectos pueden salir a simple vista
○ Cinco valores para el sexo
● Otros aspectos son más difíciles de encontrar, para ellos se usan
otras herramientas:
○ Histogramas, gráficas de dispersión

9. Valores faltantes
Causas:
Faltan valores relevantes porque no se
pudieron obtener
No existen los valores
Datos incompletos (varios orígenes)
Tratamiento
Ignorarlos
Eliminar toda la columna
Reemplazar el valor
Segmentar
Limpieza, integración y transformación
Evitar problemas ocasionados por datos faltantes, valores duplicados y datos incorrectos
Valores erróneos
Algunas veces no es un proceso trivial,
clasificar y agrupar pueden ayudar
Tratamiento:
Ignorar
Eliminar
Filtrar
Reemplazar
Discretizar

10. Integración
Se puede dar de dos maneras:
Unificar dos o más objetos
Separar un objeto en dos o más
Ejemplos
Separar (nombres, apellidos)
Unificar formatos de fechas, sexo, estado
civil
Limpieza, integración y transformación
Transformación
Es cualquier proceso que modifique la forma
de los datos
Crear nuevos atributos
Cambiar tipo de dato
Cambiar total o parcialmente una tabla
Ejemplos
convertir columna en tipo número o fecha
agregar columna edad basado en fecha de
nacimiento
nivel de estudio de una persona (sin estudio,

11. Tipos de datos
Carácter
por ejemplo para definir sexo (F,M)
Texto
el más común de todos
Boolean
(si, no), (verdadero, falso), (0,1)
Control de flujo
según la opción se toman unos u otros
datos
Número
se puede hacer operaciones con ellos
no siempre es lo que parece

12. Siempre lleva una
bitácora con todos los
cambios
mantén una copia del archivo original

13. Pero Phi…
mi base tiene miles de
registros...
¿y ahora qué hago?

14. Hora de ensuciarse las manos
Veamos algunos ejemplos

15. OpenRefine
la lavadora de los datos

16. OpenRefine
http://openrefine.org

17. Ahora sí a torturar esos datos
hasta que nos digan la verdad

18. Conclusiones
¿qué opinas? ¿alguna duda?

19. Esta obra está bajo una Licencia Creative Commons Atribución-CompartirIgual 4.0 Internacional.
http://goo.gl/qupgNz