En este capítulo, aprenderás a resolver algunos de los problemas más comunes de datos sucios. Convertirás tipos de datos, aplicarás restricciones de rango para eliminar puntos de datos futuros y quitarás datos duplicados para evitar dobles conteos.

Restricciones de tipo de datos

Tipos de datos comunes

Convertir tipos de datos

Recortar cadenas

Restricciones de rango

Restricciones de duración del viaje

Regreso al futuro

Restricciones de unicidad

Duplicados completos

Eliminar duplicados parciales

Agregar duplicados parciales

Problemas de datos comunes

Los datos categóricos y de texto suelen ser de las partes más desordenadas de un conjunto de datos por su naturaleza no estructurada. En este capítulo, aprenderás a corregir inconsistencias de espacios en blanco y mayúsculas en las etiquetas de categorías, a combinar varias categorías en una y a reformatear cadenas para mantener la coherencia.

Comprobar pertenencia

Solo para miembros

No es miembro

Problemas con los datos categóricos

Identificar incoherencias

Corregir incoherencias

Agrupar categorías

Limpieza de datos de texto

Detección de datos de texto inconsistentes

Sustituir y eliminar

Números de teléfono no válidos

Datos categóricos y de texto

En este capítulo, profundizarás en problemas de limpieza de datos más avanzados, como asegurarte de que todos los pesos estén en kilogramos en lugar de libras. Además, adquirirás habilidades clave para verificar que los valores se han añadido correctamente y que los valores ausentes no afecten negativamente a tus análisis.

Uniformidad

Uniformidad de fechas

Uniformidad de moneda

Validación entre campos

Validación de totales

Validación de la edad

Completitud

Opciones

Faltantes completamente al azar

Faltantes al azar

Faltantes no al azar

Tipos de ausencia de datos

Visualización de datos faltantes

Tratamiento de datos faltantes

Problemas de datos avanzados

El record linkage es una técnica potente para fusionar varios conjuntos de datos cuando los valores tienen erratas u ortografías distintas. En este capítulo, aprenderás a vincular registros calculando la similitud entre cadenas; después usarás estas nuevas habilidades para unir dos conjuntos de datos de reseñas de restaurantes en un único conjunto maestro limpio.

Comparar cadenas

Calcular la distancia

Distancia pequeña, diferencia pequeña

Corregir errores tipográficos con distancia de cadenas

Generar y comparar pares

¿Record linkage o join?

Bloqueo por pares

Comparar pares

Puntuación y enlace

¿Primero puntuar y luego seleccionar, o primero seleccionar y luego puntuar?

Uniéndolo todo

¡Enhorabuena!

Record Linkage

Bike Sharing

Fodor's

Zagat

SFO Satisfaction Survey

Customer Accounts

<h2>Resuelve problemas comunes de datos, como eliminar duplicados en R</h2>
Se suele decir que las personas que se dedican a data science pasan el 80% de su tiempo limpiando y manipulando datos y solo el 20% analizándolos. Ese tiempo de limpieza es clave, porque analizar datos sucios puede llevarte a conclusiones erróneas.
<br><br>
En este curso, aprenderás diversas técnicas para limpiar datos sucios con R. Empezarás convirtiendo tipos de datos, aplicando restricciones de rango y gestionando duplicados totales y parciales para evitar contar dos veces.
<br><br>
<h2>Profundiza en retos avanzados de datos</h2>
Una vez que practiques con problemas habituales, pasarás a desafíos más avanzados, como garantizar la coherencia en las unidades de medida y tratar los valores ausentes. Tras cada concepto nuevo, tendrás la oportunidad de completar un ejercicio práctico para afianzar lo aprendido y ganar experiencia.
<br><br>
<h2>Aprende a usar Record Linkage durante la limpieza de datos</h2>
El Record Linkage se utiliza para fusionar conjuntos de datos cuando los valores presentan problemas como erratas u ortografías distintas. Explorarás esta técnica tan útil en el capítulo final y practicarás su aplicación uniéndo dos conjuntos de datos de reseñas de restaurantes en un único conjunto de datos.

<h2>Superar problemas comunes de datos como eliminar duplicados en R </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. El tiempo dedicado a la limpieza es vital, ya que analizar datos sucios puede llevarte a sacar conclusiones inexactas.
<br><br>
En este curso, aprenderás una serie de técnicas que te ayudarán a limpiar los datos sucios utilizando R. Empezarás convirtiendo los tipos de datos, aplicando restricciones de rango y tratando los duplicados totales y parciales para evitar el doble recuento.
<br><br>
<h2>Profundiza en los retos de los datos avanzados </h2>
Una vez que hayas practicado el trabajo con problemas comunes de datos, pasarás a retos más avanzados, como garantizar la coherencia de las mediciones y tratar los datos que faltan. Después de cada nuevo concepto, tendrás la oportunidad de completar un ejercicio práctico para consolidar tus conocimientos y aumentar tu experiencia.
<br><br>
<h2>Aprende a utilizar la vinculación de registros durante la limpieza de datos </h2>
La vinculación de registros se utiliza para fusionar conjuntos de datos cuando los valores tienen problemas, como errores tipográficos o grafías diferentes. Explorarás esta útil técnica en el último capítulo y practicarás su aplicación utilizándola para unir dos conjuntos de datos de reseñas de restaurantes en un único conjunto de datos.

Joining Data with dplyr

Aprende a limpiar datos rápida y precisamente para transformar datos en valiosos insights empresariales.

Limpieza de datos en R

Aprende a limpiar los datos con rapidez y precisión para ayudar a tu empresa a pasar de datos sin procesar a información significativa.

Científico de datos asociado en R

Importar y limpiar datos  en R

Los cuestionarios se perdieron aleatoriamente por correo.

Faltan las notas de examen de estudiantes de un determinado distrito escolar, pero no de los demás.

Las personas más jóvenes tenían menos probabilidades de que el médico les tomara la tensión, por lo que en sus historiales médicos faltaban datos de presión arterial.

Una báscula tiene un límite de 30 lb, así que los envíos de más de 30 lb no tienen peso registrado.

Las muestras de sangre analizadas durante el turno de noche tenían más probabilidades de contaminarse, generando resultados faltantes, pero no se registró la hora de la prueba.

Tipos de ausencia de datos

Limpieza de datos en R

ejercicio interactivo práctico