[11]Limpieza y análisis exploratorio
Mirar qué trae una tabla antes de calcular nada y arreglar lo roto: huecos, copias, valores imposibles y tipos que mienten.
EDA: el primer vistazo a un dataset
Los primeros diez minutos con un dataset desconocido: shape, dtypes, describe, nulos e histograma. El checklist que te dice si puedes confiar en los datos antes de analizarlos.
Limpiar datos: el 80% del trabajo que nadie te cuenta
NaN, duplicados, tipos incorrectos, outliers — bienvenido al trabajo real del profesional de datos.
Nulos: por qué falta un dato, y qué cambia según el motivo
Un hueco no es un cero: los tres motivos por los que falta un dato, y por qué rellenar con la media puede ser peor que no hacer nada.
Duplicados: el mismo cliente tres veces
Las dos clases de duplicado —el exacto y el semántico— y el cruce que multiplica filas sin dar ningún error mientras te infla el total.
Valores extremos: error de dedo o dato clave
El error de teclado y el mejor cliente comparten palabra: los tres criterios que los separan, y por qué la regla de las 3 sigma falla.
Tipos que mienten
Ordenas por importe y el 9 sale por encima del 100: qué pasa cuando una columna es texto sin que lo sepas, y por qué se arregla al leer.
Proyecto: limpiar un dataset real
Los cuatro problemas a la vez: por qué el orden de ataque importa, y cómo una limpieza impecable puede llevarse por delante medio mes.