“Un gran poder conlleva… un gran desorden de datos.”
— Yo, después de abrir mi primer dataset real.
1. El reto
Ayer descargué un archivo CSV sobre consumo energético en Latinoamérica.
Sonaba épico… hasta que lo abrí:
-
Encabezados en MAYÚSCULAS, minúsculas y SpOnGe CaSe.
-
Fechas mezcladas:
2025-04-01,04/01/2025,1-abr-25. -
Celdas vacías, guiones, “N/A”, e incluso un “¯_(ツ)_/¯”.
Bienvenido al caos.
2. Mi plan de ataque
| Paso | ¿Por qué? | Herramienta |
|---|---|---|
| 1. Hacer una copia del archivo | Evitar “auto-destrucción” accidental | Carpeta /raw |
2. Inspección rápida con head() | Saber a qué monstruo me enfrento | Python / pandas |
| 3. Estandarizar nombres de columnas | Que todo hable el mismo idioma | df.columns = ... .str.lower() |
| 4. Uniformar fechas | Sin fechas limpias, no hay análisis | pd.to_datetime() |
| 5. Manejar valores faltantes | Porque los huecos no se rellenan solos | fillna() / eliminación selectiva |
6. Validar tipos de datos | Evitar sorpresas en gráficas y modelos | df.dtypes |
4. Lo que aprendí (y ojalá hubiera sabido antes)
-
Nunca confíes en un CSV a ciegas.
-
Documenta cada modificación: tu yo del futuro te lo agradecerá.
-
El parámetro
errors='coerce'ento_datetimees un salvavidas. -
Un notebook limpio > 1000 líneas de código suelto.
-
Café ☕ + música lo-fi = tu mejor combo de limpieza de datos.
5. Blooper del día 😅
Intenté reemplazar “N/A” con df.replace("N/A", np.nan)…
…sin importar la ñ mayúscula en “N/Á”.
Moraleja: activa case=False o normaliza texto primero.
6. Reto para la comunidad
Descarga cualquier dataset “feo”, aplica los pasos y comparte en los comentarios:
-
👉 ¿Cuál fue el problema más extraño que encontraste?
-
👉 ¿Cuántas filas “reviviste” después de limpiar?
Los mejores relatos saldrán en la próxima entrada (con meme incluido).
7. Próximo episodio
¡Visualizaciones sin dolor!
Veremos cómo convertir esos datos ya limpios en gráficas dignas de Instagram… sin que Matplotlib se ponga celoso de Seaborn
Comentarios
Publicar un comentario