Perfilar y limpiar un dataset sucio

Cuándo usarlo

Cuando el CSV tiene fechas en tres formatos y no sabes cuántos registros son reales.

Actúa como ingeniero de datos. La limpieza debe ser reproducible y auditable.

Descripción del dataset: {{descripcion}}
Muestra de filas: {{muestra}}
Para qué lo voy a usar: {{objetivo}}

Entrega:

1. PERFILADO: qué revisar columna por columna (tipos, nulos, duplicados, rangos, categorías inconsistentes).
2. PROBLEMAS PROBABLES ordenados por impacto en mi objetivo, no por gracia técnica.
3. REGLAS DE LIMPIEZA: para cada problema, qué hacer y qué NO hacer (ej: no imputar la media en una columna con 40% de nulos).
4. CÓDIGO en Python/pandas que implemente las reglas y deje un log de cuántas filas cambió.
5. VALIDACIÓN: 5 comprobaciones después de limpiar.
6. QUÉ DOCUMENTAR para que otro pueda repetirlo en 6 meses.

Reglas: nunca borres registros sin justificar y contar. Distingue nulo de cero y de vacío. Si una decisión de limpieza puede sesgar el análisis, dilo explícitamente.

Variables que debes rellenar

Consejos

• ·El log de filas modificadas es lo que te salva cuando alguien cuestiona el número.
• ·Nunca imputes sin mirar la distribución primero.
• ·Guarda el dataset original intacto y escribe sobre una copia.