En este capítulo, aprenderás a superar algunos de los problemas más comunes con los datos sucios. Convertirás los tipos de datos, aplicarás restricciones de rango para eliminar puntos de datos futuros y eliminarás puntos de datos duplicados para evitar que cuente doble en el recuento.

Restricciones del tipo de datos

Tipos de datos comunes

¿Datos numéricos o ... ?

Sumar cadenas y concatenar números

Restricciones del rango de datos

Limitaciones del tamaño de los neumáticos

Regreso al futuro

Restricciones de unicidad

¿Qué tamaño tiene tu subconjunto?

Encontrar duplicados

Tratamiento de duplicados

Dificultades habituales con los datos

Los datos categóricos y de texto pueden ser a menudo algunas de las partes más desordenadas de un conjunto de datos, debido a su naturaleza no estructurada. En este capítulo, aprenderás a corregir incoherencias de espacios en blanco y mayúsculas en las etiquetas de las categorías, a contraer varias categorías en una sola y a reformatear cadenas para que sean coherentes.

Limitaciones de afiliación

Opciones

Restricción de afiliación

Otra restricción

Solo para miembros

Encontrar la coherencia

Variables categóricas

Espacios en blanco e incoherencia

Crear o reasignar categorías

Categorías de errores

Categorías incoherentes

Reasignación de categorías

Limpiar datos de texto

Quitar títulos y tomar nombres

Mantenlo descriptivo

Problemas de texto y datos categóricos

En este capítulo, te sumergirás en problemas más avanzados de limpieza de datos, como asegurarte de que todos los pesos están escritos en kilogramos en lugar de libras. También adquirirás conocimientos muy valiosos que te ayudarán a verificar que los valores se han añadido correctamente y que los valores que faltan no afectan negativamente a tus análisis.

Uniformidad

Fechas ambiguas

Monedas uniformes

Fechas de los uniformes

Validación entre campos

¿Campo cruzado o no campo cruzado?

¿Cómo está la integridad de nuestros datos?

Integridad

¿Falta al azar?

Inversores omitidos

Sigue el dinero

Problemas avanzados de datos

La vinculación de registros es una potente técnica para fusionar varios conjuntos de datos, que se utiliza cuando los valores tienen erratas o diferente ortografía. En este capítulo, aprenderás a enlazar registros calculando la similitud entre cadenas; luego, utilizarás tus nuevas habilidades para unir dos conjuntos de datos de reseñas de restaurantes en un conjunto de datos maestro limpio.

Comparar cadenas

Distancia mínima de edición

El punto de corte

Reasignación de categorías II

Generar pares

¿Enlazar o no enlazar?

Pares de restaurantes

Restaurantes similares

Enlazar DataFrames

Obtener el índice correcto

¡Enlazándolos!

¡Enhorabuena!

Vinculación de registros

Ride sharing dataset

Airlines dataset

Banking dataset

Restaurants dataset

Restaurants dataset II

Se suele decir que los científicos de datos dedican el 80 % de su tiempo a limpiar y manipular los datos y solo el 20 % a analizarlos. El tiempo dedicado a la limpieza es vital, ya que analizar datos sucios puede llevarte a sacar conclusiones inexactas.

La limpieza de datos es una tarea esencial en la ciencia de datos. Sin unos datos correctamente depurados, los resultados de cualquier análisis de datos o modelo de machine learning podrían ser inexactos. En este curso aprenderás a identificar, diagnosticar y tratar diversos problemas de limpieza de datos en Python, desde los más sencillos a los más avanzados. Tratarás con tipos de datos incorrectos, comprobarás que tus datos están en el intervalo correcto, manejarás los datos que faltan, realizarás la vinculación de registros, ¡y mucho más!

<h2>Descubre cómo limpiar datos en Python</h2>
Se suele decir que los científicos de datos dedican el 80% de su tiempo a limpiar y manipular los datos y sólo el 20% a analizarlos. La limpieza de datos es un paso esencial para todo científico de datos, ya que analizar datos sucios puede llevar a conclusiones inexactas. 
<br><br>
En este curso, aprenderás a identificar, diagnosticar y tratar diversos problemas de limpieza de datos en Python, desde los más sencillos a los más avanzados. Tratarás con tipos de datos incorrectos, comprobarás que tus datos están en el intervalo correcto, manejarás los datos que faltan, realizarás la vinculación de registros, ¡y mucho más!
<br><br>
<h2>Aprende a limpiar distintos tipos de datos</h2>
El primer capítulo del curso explora los problemas habituales con los datos y cómo puedes solucionarlos. Primero comprenderás los tipos de datos básicos y cómo tratarlos individualmente. Después, aplicarás restricciones de rango y eliminarás los puntos de datos duplicados.
<br><br>
El último capítulo explora la vinculación de registros, una potente herramienta para fusionar múltiples conjuntos de datos. Aprenderás a enlazar registros calculando la similitud entre cadenas. Por último, utilizarás tus nuevas habilidades para unir dos conjuntos de datos de reseñas de restaurantes en un conjunto de datos maestro limpio.
<br><br>
<h2>Ganar confianza en la limpieza de datos</h2>
Al final del curso, adquirirás confianza para limpiar datos de varios tipos y utilizar la vinculación de registros para fusionar varios conjuntos de datos. La limpieza de datos es una habilidad esencial para los científicos de datos. Si quieres aprender más sobre la limpieza de datos en Python y sus aplicaciones, consulta los siguientes programas: Científico de Datos con Python e Importación y Limpieza de Datos con Python.

Python Toolbox

Joining Data with pandas

Domina la limpieza de datos en Python en este curso de cuatro horas. Explora problemas comunes y avanzados.

Limpieza de datos en Python

¡Aprende a diagnosticar y tratar los datos sucios y desarrolla las habilidades necesarias para transformar tus datos brutos en perspectivas precisas! 

Científico de datos asociado  en Python

Ingeniero de datos en Python

Importar y limpiar datos  en Python

Una columna `GPA` que contiene un grado `Z-`.

Una columna `day_of_week` con el valor `Suntermonday`.

Una columna `has_loan` con el valor `12`.

Una columna `birthdate` con valores en el futuro.

Una columna `age` con valores superiores a `130`.

Una columna `revenue` representada como una cadena.

Solo para miembros

Limpieza de datos en Python

Ejercicio interactivo práctico