# Limpieza De Datos Wrangling Data Integrity Quality Mastery > La Limpieza de Datos y Wrangling (v2.0) es la competencia de transformar datos crudos y desordenados en un formato útil y veraz. No es solo "borrar filas vacías"; es Ingeniería de la Calidad del Dato. Úsala para tareas de Datos y Analítica: data-cleaning, data-wrangling, data-quality, pandas, regex, anomaly-detection. - Skill: `jesusgarciafernandez/limpieza-de-datos-wrangling-data-integrity-quality-mastery` (Agent Skill, multi-file: 2 files) - Install (CLI): `npx skillmds@latest add jesusgarciafernandez/limpieza-de-datos-wrangling-data-integrity-quality-mastery` - Raw SKILL.md: https://api.skillmd.com/api/skills/jesusgarciafernandez/limpieza-de-datos-wrangling-data-integrity-quality-mastery/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Data & Analytics - License: CC BY-NC-SA 4.0 - Author: jesusgarciafernandez (https://skillmd.com/u/jesusgarciafernandez) - Updated: 2026-09-17 - Page: https://skillmd.com/skills/jesusgarciafernandez/limpieza-de-datos-wrangling-data-integrity-quality-mastery --- ## 0. Filosofía Human-Centric AI *Esta habilidad garantiza la honestidad y veracidad de cualquier análisis al purificar la información desde su origen, utilizando la tecnología para automatizar la corrección de errores y permitir que el humano trabaje sobre una base de datos íntegra, libre de ruidos y sesgos técnicos que distorsionen la realidad.* **El Rol del Humano:** El Purificador de Datos debe ser un "Garantes de la Integridad de la Información". La IA puede identificar automáticamente valores nulos (nulls) y proponer métodos de imputación estadística, detectar duplicados complejos mediante algoritmos de similitud de texto (Fuzzy matching) y normalizar formatos de forma masiva en segundos, pero solo el humano puede validar si un dato "atípico" es realmente un error o una señal de mercado crítica, decidir qué criterios éticos rigen el tratamiento de datos incompletos y asegurar que la limpieza no elimine la diversidad y los matices que hacen que los datos reflejen el mundo real. **Empoderamiento:** Usamos la tecnología para sustituir el caos informativo por la claridad basada en la calidad extrema del dato. --- ## 1. Descripción Detallada La Limpieza de Datos y Wrangling (v2.0) es la competencia de transformar datos crudos y desordenados en un formato útil y veraz. No es solo "borrar filas vacías"; es **Ingeniería de la Calidad del Dato**. El enfoque v2.0 se centra en el principio "Garbage In, Garbage Out", integrando técnicas avanzadas de manipulación (Pandas/NumPy), limpieza mediante Expresiones Regulares (Regex) y detección proactiva de anomalías estructurales. Abarca el mapeo de fuentes heterogéneas, la unificación de esquemas y la reconstrucción lógica de información faltante, asegurando que el 80% del tiempo invertido en el proceso de datos sea eficiente y productivo. ## 2. Escenarios de Aplicación - **Unificación de Bases de Datos Multidispositivo:** Consolidación de perfiles de clientes que aparecen duplicados con ligeras variaciones entre el CRM y el E-commerce. - **Normalización de Formatos de Fecha y Moneda:** Estandarización de registros provenientes de diferentes países con nomenclaturas temporales y financieras dispares. - **Tratamiento Inteligente de Outliers:** Identificación y corrección de picos de datos absurdos (Ej: Edad 150 años) que arruinarían cualquier modelo estadístico. - **Limpieza de Texto Masiva (Strings):** Eliminación de caracteres especiales, espacios extra y errores tipográficos en descripciones de productos o comentarios de clientes. - **Imputación de Datos Faltantes:** Relleno lógico de campos vacíos mediante medias móviles, regresiones o reglas de negocio para no perder registros valiosos. ## 3. Requisitos de Implementación - **Maestría en Herramientas de 'Data Munging':** Uso fluido de Python (Pandas) o Lenguaje R. - **Pensamiento Lógico y Sanity Checks:** Capacidad para diseñar pruebas que verifiquen si los datos finales tienen sentido común (Ej: ¿Es posible que el IVA sea mayor que el Total?). - **Dominio de Expresiones Regulares (Regex):** Habilidad para buscar y sustituir patrones de texto complejos en miles de celdas. - **Rigurosidad en la Documentación del Proceso:** Registro de todas las transformaciones realizadas para asegurar la trazabilidad y reproducibilidad del análisis. --- ## 4. Diferencial: Limpieza Manual vs. Data Wrangling v2.0 | Dimensión | Enfoque Legacy (Manual/Excel) | Data Wrangling (v2.0) | | :--- | :--- | :--- | | **Escalabilidad** | Inviable para más de mil filas. | Procesa millones de registros en segundos por código. | | **Reproducibilidad** | Imposible saber qué se borró y por qué. | El código es la bitácora exacta de cada cambio. | | **Fiabilidad** | Muy alta probabilidad de error al "arrastrar". | Basada en lógica determinista y tests de QA. | | **Complejidad** | Limitada a filtros simples. | Permite transformaciones profundas y anidadas. | --- ## 5. Instrucciones y Pasos Detallados (Protocolo Maestro) ### Fase 1: Auditoría de Suciedad y Mapeo de Transformación **Objetivo:** Identificar dónde y cómo están rotos los datos. 1. **Análisis de Perfilado (Profiling):** IA ayuda a detectar el porcentaje de nulos, la distribución de valores y la presencia de caracteres extraños en cada columna. 2. **Definición de Reglas de Limpieza:** Creación de un diccionario de transformaciones (Ej: "Columna A debe ser siempre Minúscula y tipo INTEGER"). **Prompt Maestro de Data Wrangling (Limpieza de Datos):** ```text Actúa como un Senior Data Curator y Experto en Data Wrangling. Facilita el proceso de purificación del dataset [NOMBRE_DATASET]. 1. Realiza el Diagnóstico de Calidad: Identifica nulos, duplicados y outliers en [COLUMNAS_CLAVE]. 2. Diseña el Pipeline de Limpieza: Genera el script en Python (Pandas) para estandarizar los formatos de fecha, eliminar espacios en blanco y unificar la columna de [VARIABLE] bajo la norma [ESTÁNDAR]. 3. Lógica de Imputación: Si faltan datos en la columna [X], ¿qué método estadístico sugieres para rellenarlos sin sesgar el resultado final? 4. Filtro de Sanidad (Consistency Check): Diseña 3 reglas lógicas que los datos finales deban cumplir para ser considerados 'Válidos para Producción'. 5. Reporte de 'Limpieza Realizada': Genera un resumen de cuántos registros han sido modificados o eliminados y cuál es la nueva 'tasa de confianza' del dato. ``` ### Fase 2: Ejecución, Validación y QA del Dato ... (Expansión técnica sobre el uso de la técnica de 'Fuzzy Matching' para unir nombres similares, la implementación de scripts de deduplicación basados en identificadores únicos cruzados y la creación de un dataset final 'Tidy Data' donde cada variable sea una columna y cada observación una fila independiente) ... --- ## Referencia ampliada Para ejemplos extendidos, métricas y notas, consulta [`reference.md`](reference.md) (cárgalo solo cuando necesites ese detalle).