Limpieza de datos (data cleaning)
La limpieza de datos es encontrar y corregir lo que está mal en una tabla antes de analizarla: duplicados, vacíos, errores de captura y formatos que no coinciden.
Selecciona cualquier frase de aquí para preguntarle a tu Maestro.
Una tabla de 1,000 clientes tiene 12 columnas, y en cada una hay cerca de 3% de celdas vacías, repartidas al azar. Borras toda fila que tenga algún vacío. ¿Cuántas filas pierdes?
Qué se arregla: filas duplicadas, celdas vacías, fechas o números guardados como texto, categorías escritas de varias formas, espacios de más y valores atípicos que son errores de captura.
Cómo se hace: en Excel, con filtros, CONTAR.SI para encontrar duplicados y formato condicional para resaltarlos; para algo que se repite cada mes, con Power Query, que guarda los pasos. En Python, con pandas.
Por qué importa: la mayor parte del tiempo de un análisis se va en limpiar. Y cada decisión de limpieza cambia el resultado, así que una revisión por muestreo del antes y el después vale la pena.
Así se usa
Una revisión en cinco pasos
Antes de analizar
- Duplicados: ¿la misma venta aparece dos veces?
- marcado: Vacíos: ¿qué columnas tienen huecos, y qué significa cada hueco?Un vacío puede ser "no se capturó", "no aplica" o un cero de verdad, y cada uno se trata distinto.
- Tipos: ¿las fechas son fechas y los montos son números, no texto?
- Categorías: ¿"CDMX", "Ciudad de México" y "cdmx " son la misma?
- Valores raros: ¿un pedido de $980,000 es real o un error de captura?
Cuándo mirar más de cerca
Llenar los vacíos con cero
Descuento por pedido
- 7 pedidos con descuento capturado: 10%, 15%, 20%, 10%, 25%, 15% y 10%; 3 vacíos
- marcado: =PROMEDIO(D2:D11) da 15%
Tres de 10 pedidos no tienen descuento capturado y llenas esas celdas con 0. ¿Qué le pasa al descuento promedio?
Pregúntale a tu Maestro sobre Limpieza de datos
Te responde desde la página gratis más cercana a esta palabra, igual que mientras estudias.
Tú: ¿Qué quiere decir "Limpieza de datos", en palabras sencillas?
Tu Maestro: Te lo explico con un caso tuyo, que se queda mejor que una definición. ¿Qué arreglas a mano cada vez que te pasan un archivo?
Pregunta sobre: Responde desde la página "¿Qué reviso en una tabla antes de limpiarla? Haz el inventario de problemas"
Solo este navegador guarda lo que preguntas aquí. ¿Cómo funciona?
Para saber más
Términos relacionados
- Valor atípico (outlier)
Un valor atípico es un dato que queda muy lejos del resto, como un pedido de $9,800 entre pedidos de $300. Puede ser un error de captura o un caso real e importante: antes de quitarlo, averigua cuál es.
- CONTAR.SI (COUNTIF)
CONTAR.SI es una función de Excel y Google Sheets que cuenta las celdas de un rango que cumplen una condición: =CONTAR.SI(rango, criterio).
- Formato condicional
El formato condicional cambia el color o el estilo de una celda según su valor, con reglas como "mayor que", "duplicados" o una escala de color, y se actualiza solo cuando cambian los datos.
- Power Query
Power Query es la herramienta de Excel y Power BI para traer datos y limpiarlos con pasos que se guardan: quitar columnas, cambiar tipos, filtrar filas. Cuando llega el archivo nuevo, haces clic en Actualizar y todos los pasos se repiten solos.