Fuentes y Preparación de Datos
Semestre 02, 2026
Ciencia de Datos
Roles en la ciencia de datos
Recordatorio: tipos de datos
Antes de analizar o modelar, clasificamos las variables. El tipo de dato determina qué técnicas y transformaciones podemos aplicar.
- Nominales: sin orden (género, color, país).
- Ordinales: con orden (nivel educativo, satisfacción).
- Discretas: contables (número de hijos).
- Continuas: medibles (peso, edad, ingresos).
Niveles de medición
| Nivel | Orden | Distancia | Cero real | Ejemplo |
|---|---|---|---|---|
| Nominal | No | No | No | color, país |
| Ordinal | Sí | No | No | satisfacción (1–5) |
| Intervalo | Sí | Sí | No | temperatura °C |
| Razón | Sí | Sí | Sí | edad, ingresos |
Estructura de los datos
Mapa mental de los datos
Fuentes de datos
Una fuente de datos es el origen de donde provienen los datos que vamos a analizar.
Según su origen
Recolectadas por nosotros para un objetivo específico: encuestas, experimentos, sensores.
Recolectadas por terceros y reutilizadas: open data, estudios previos, datasets públicos.
Según su ubicación
Ejemplos comunes
Formatos comunes
| Formato | Uso típico |
|---|---|
CSV | Tablas simples, intercambio |
JSON | APIs, datos semiestructurados |
XLSX | Hojas de cálculo |
XML | Documentos con etiquetas |
Parquet | Datos columnares, grandes volúmenes |
SQL | Bases de datos relacionales |
Datos crudos vs. procesados
- Tal como se obtienen, sin modificar.
- Suelen tener errores, formatos inconsistentes y faltantes.
- Regla de oro: nunca se sobrescriben.
- Ya fueron limpiados y transformados.
- Listos para el análisis y el modelado.
El flujo de preparación
Se suele decir que el 80% del trabajo de un análisis se va en obtener y limpiar los datos, no en modelar.
El proceso de ciencia de datos
Problemas comunes
Técnicas frecuentes
- Faltantes: eliminar filas o imputar (media, mediana, moda).
- Duplicados: eliminarlos.
- Estandarizar formatos (fechas, texto, unidades).
- Convertir al tipo de dato correcto.
- Tratar outliers: revisarlos; no siempre se eliminan.
Datos ordenados (Tidy Data)
Hadley Wickham propone tres principios para estructurar los datos de forma que sean fáciles de analizar.
Code book
Documento que describe cada variable del conjunto de datos, de modo que sea auto-explicativo para cualquier persona ajena al proyecto. También se le llama diccionario de datos.
Por cada variable incluye:
Ejemplo de code book
| Variable | Descripción | Tipo | Medición | Valores |
|---|---|---|---|---|
id_cliente | Identificador único | string | Nominal | 10 caracteres |
edad | Edad del cliente en años | int | Razón | 18–99 |
genero | Género | string | Nominal | F, M, Otro |
satisfaccion | Nivel de satisfacción | int | Ordinal | 1–5 |
Reproducibilidad
Cualquier persona debe poder repetir el análisis y obtener el mismo resultado.
Qué documentar:
- De dónde vienen los datos: fuente, fecha y versión.
- Qué transformaciones se aplicaron y por qué.
- Los supuestos y las decisiones tomadas.
Herramientas
Estructura de proyecto
proyecto/
├── data/
│ ├── raw/ # datos crudos, nunca se modifican
│ └── processed/ # datos limpios listos para analizar
├── notebooks/
├── src/
│ └── limpieza.py
├── codebook.md
└── README.md
Resumen
- Clasifica los tipos de datos antes de analizar.
- Las fuentes pueden ser primarias o secundarias y llegar en muchos formatos.
- Preserva siempre los datos crudos; trabaja sobre copias procesadas.
- La limpieza es el 80% del trabajo; busca datos ordenados (tidy data).
- Documenta cada variable en un code book.
- Documenta el proceso y el código para que sea reproducible.