Exploración Rápida de Datos

La Fase de Exploración

🔄 Repaso rápido: En la lección anterior, exploramos cómo hacer mejores preguntas analíticas. Ahora construyamos sobre esa base.

Antes de poder responder preguntas sobre datos, necesitas entender los datos mismos.

¿Qué columnas existen? ¿Qué significan? ¿Cuáles son los rangos de valores? ¿Dónde están los huecos?

Esto es la exploración de datos — y es donde la IA acelera dramáticamente tu flujo de trabajo.

El Checklist de Perfilado de Datos

Para cualquier dataset nuevo, entiende:

1. Estructura

• ¿Cuántas filas (registros)?
• ¿Cuántas columnas (campos)?
• ¿Cuáles son los nombres de las columnas?

2. Tipos de Datos

• ¿Qué columnas son numéricas?
• ¿Cuáles son texto (categóricas)?
• ¿Cuáles son fechas?
• ¿Cuáles son identificadores?

3. Rangos de Valores

• ¿Cuál es el mínimo/máximo para columnas numéricas?
• ¿Qué valores únicos existen en columnas categóricas?
• ¿Qué rango de fechas cubre?

4. Problemas de Calidad

• Valores faltantes (¿qué columnas, cuántos?)
• ¿Duplicados?
• ¿Errores obvios o valores atípicos?
• ¿Formatos inconsistentes?

5. Relaciones

• ¿Cómo se relacionan las columnas entre sí?
• ¿Qué podría usarse para unir esto con otros datos?

Perfilado de Datos con IA

Usa la IA para perfilar un dataset rápidamente:

Aquí va mi dataset (primeras 100 filas):

[Pega datos]

Por favor proporciona un perfil de datos:

1. ESTRUCTURA
   - Número de columnas y sus nombres
   - Propósito aparente de cada columna

2. TIPOS DE DATOS
   - Clasifica cada columna (numérica, categórica, fecha, ID)
   - Señala columnas con tipos mixtos

3. ANÁLISIS DE VALORES
   - Para columnas numéricas: mínimo, máximo, promedio aparente
   - Para columnas categóricas: valores únicos (hasta 10)
   - Para columnas de fecha: rango cubierto

4. PROBLEMAS DE CALIDAD
   - Columnas con valores faltantes y % aproximado
   - Valores atípicos obvios o sospechosos
   - Inconsistencias (formato, nomenclatura)

5. OBSERVACIONES INICIALES
   - Cualquier cosa inusual o notable
   - Posibles relaciones entre columnas

Con un solo prompt, obtienes lo que manualmente podría tomar una hora.

Problemas Comunes de Calidad de Datos

Aprende a detectar estos rápidamente:

Valores Faltantes

Qué buscar: Celdas vacías, “N/A”, “NULL”, “#N/A”, “0” usado como placeholder

Preguntas a hacer:

• ¿Los datos faltantes son aleatorios o sistemáticos?
• ¿Deberíamos excluir estas filas, llenarlas, o investigar por qué faltan?

Valores Atípicos (Outliers)

Qué buscar: Valores muy fuera del rango normal

Preguntas a hacer:

• ¿Son errores de datos o casos extremos legítimos?
• ¿Van a distorsionar promedios y totales?
• ¿Deberían tratarse por separado?

Duplicados

Qué buscar: Filas idénticas o casi idénticas

Preguntas a hacer:

• ¿Son duplicados reales o entradas repetidas válidas?
• ¿Qué hace única a una fila?

Formatos Inconsistentes

Qué buscar:

• Fechas en diferentes formatos (15/01/2024 vs. 2024-01-15)
• Variaciones de texto (México, MX, MEX)
• Inconsistencias numéricas ($1,000 vs 1000)

✅ Revisión Rápida: ¿Cuáles son los cuatro tipos principales de problemas de calidad de datos que acabamos de cubrir?

Patrones Sospechosos

Qué buscar:

• Demasiados números redondos (sugiere estimaciones, no datos reales)
• Valores por defecto usados excesivamente
• Valores negativos donde no se esperan

La Rutina de Exploración de 5 Minutos

Cuando recibas un dataset nuevo, pasa rápidamente por esto:

Minuto 1-2: Obtén lo básico

IA: "Resume este dataset. ¿Cuáles son las columnas, cuántas filas tiene y qué periodo de tiempo cubre?"

Minuto 3-4: Checa la calidad

IA: "Identifica cualquier problema de calidad de datos: valores faltantes, atípicos, duplicados o inconsistencias."

Minuto 5: Patrones iniciales

IA: "¿Qué patrones o relaciones notas en estos datos? ¿Qué preguntas podrían responder estos datos?"

Cinco minutos de exploración te ahorran horas de trabajar con datos malos.

Entendiendo las Relaciones en los Datos

Los datos rara vez viven aislados. Entender las relaciones importa:

Dentro del Dataset

Pregunta a la IA:

Viendo estas columnas, ¿qué relaciones podrían existir?
- ¿Qué columnas podrían estar correlacionadas?
- ¿Qué columnas podrían derivarse de otras?
- ¿Qué agrupaciones tienen sentido?

Con Otros Datos

Piensa en:

• ¿Con qué podría combinarse este dataset?
• ¿Qué campos de ID podrían vincularse con otros datasets?
• ¿Qué contexto falta que otros datos podrían proporcionar?

Flujo de Trabajo Práctico de Exploración

Para Datos en Hoja de Cálculo

1. Abre y escanea — Obtén una idea visual de la estructura
2. Filtra columnas — Revisa valores únicos en columnas clave
3. Ordena columnas — Encuentra mín/máx, detecta atípicos
4. Usa la IA — Perfila para detectar problemas que podrías pasar por alto

Para Datasets Grandes

1. Muestrea primero — Trabaja con una muestra representativa
2. Perfila la muestra — Entiende estructura y problemas
3. Valida patrones — Confirma hallazgos en el dataset completo
4. Documenta problemas — Anota lo que necesita limpieza

Ejercicio: Perfila Estos Datos

Aquí va un dataset de muestra. Perfílalo usando el checklist:

Fecha,Cliente,Region,Producto,Ingresos,Unidades
2024-01-15,ACME Corp,Norte,Widget A,15000,100
2024-01-16,Beta Inc,Sur,Widget B,22500,150
2024-01-17,ACME Corp,Norte,Widget A,-500,
18/01/2024,Gamma LLC,Este,Widget C,18000,120
2024-01-19,ACME Corp,norte,widget a,16000,105
2024-01-20,Delta Co,Oeste,Widget B,0,0
2024-01-21,ACME Corp,Norte,Widget A,15500,NULL

¿Qué problemas detectas?

Conclusiones Clave

• Siempre perfila los datos antes de analizar — entiende estructura, tipos, rangos y problemas
• Usa la IA para acelerar el perfilado: un prompt puede revelar lo que toma una hora manualmente
• Vigila problemas comunes: valores faltantes, atípicos, duplicados, formatos inconsistentes
• La rutina de exploración de 5 minutos atrapa problemas desde temprano
• Entiende relaciones dentro del dataset y con otras fuentes de datos
• Documenta los problemas encontrados — los necesitarás para la limpieza de datos

Siguiente

En la Lección 4: Visualizaciones que Comunican, aprenderás a crear gráficas que realmente transmiten tus hallazgos con claridad.