Martes: limpiar y construir el target

## Martes, 10:00. Hoy se limpia

Ayer dibujaste el mapa; hoy toca ensuciarse las manos. Un modelo no puede aprender de una columna que dice «12,89 €» en vez de 12.89, ni de un canal que aparece escrito de catorce formas distintas, ni de una edad de 221 años. Antes de modelar nada hay que dejar los datos coherentes, y esa es la tarea del día. Vas a escribir el fichero `src/02_limpiar.py`, y lo vas a hacer en tres pasos: primero limpiar la ficha de socios, después construir el target cruzando con renovaciones, y por último resumir el comportamiento a una fila por socio. Al cerrar el día tendrás la tabla de modelado: una fila por socio, con las features y el target al lado.

## Lo primero: números que vienen como texto

La cuota mensual llega como «12,89 €»: un número con un símbolo de euro pegado y una coma donde debería ir el punto decimal. pandas lo lee como texto y no se puede promediar. Para convertirlo en número hay que hacer tres cosas en orden: quitar el «€» y los espacios, cambiar la coma por un punto (porque Python usa el punto como separador decimal), y entonces convertir a número con `.astype(float)`. Los importes de las donaciones tienen el mismo problema, pero con una trampa añadida: parte de las filas ya vienen limpias y numéricas («41.53»), así que la limpieza tiene que funcionar también sobre las que ya están bien, sin romperlas. Quitar un «€» que no está no hace daño; cambiar una coma que no hay tampoco. Por eso la misma receta sirve para todas.

## Lo segundo: un canal escrito de catorce maneras

El canal de captación es la señal que Marisol intuye, pero viene hecho un desastre: catorce variantes para cuatro canales de verdad. Hay «Calle», «calle» y «CALLE»; hay «F2F», «f2f» y «face to face», que son todos lo mismo que calle (el captador con el peto); hay «WEB», «Web» y «web»; hay «evento», «Evento» y «EVENTO»; y hay «referido» y «boca a boca», que son lo mismo. Si no lo unificas, el modelo tratará «Calle» y «calle» como dos canales distintos, y la señal se diluye en catorce casillas casi vacías en vez de concentrarse en cuatro. Normalizar texto es un patrón que se repite siempre: poner todo en minúsculas, quitar espacios de los extremos, quitar acentos, y mapear cada variante a su valor canónico.

## Lo tercero: edades imposibles

Entre los socios hay 221 con una edad imposible: mayores de 110 o cero o negativa, cortesía de formularios mal validados. No se pueden «arreglar» con un número inventado, porque no sabemos cuál era la edad real. Lo honesto es marcar como nulo todo lo que caiga fuera de un rango razonable (de 16 a 110 años) y dejar que el hueco se trate como lo que es: un dato que falta. Más adelante decidirás qué hacer con los nulos, pero el primer paso es no dejar que un 221 contamine la media de edad.

## Y ahora sí: construir el target y ver el reparto

Con la ficha limpia, toca construir el target. En la tabla de renovaciones, la columna `renovo` vale 1 si el socio renovó y 0 si no. Lo que queremos predecir es lo contrario —quién NO renueva—, así que el target es `no_renovo = 1 - renovo`. Y entonces llega la cifra que define todo el caso: ¿qué proporción de socios tiene `no_renovo = 1`? Al calcularlo, te sale 1.643 de 15.000, el 10,95%. Casi 9 de cada 10 renuevan. Lo anotas como dato de contexto, sin darle todavía toda la importancia que tiene. Álvaro ya te dejó caer que importa, y Jon lo dijo a su manera, pero la consecuencia completa no la verás hasta el jueves.

## Y por último: resumir el comportamiento

Las donaciones, los emails y los eventos tienen varias filas por socio, pero el modelo necesita una fila por socio. Así que hay que resumir: contar cuántas donaciones puntuales hizo cada socio y sumar su importe total, contar cuántos emails abrió y clicó, y marcar si asistió a algún evento. Eso se hace con `groupby` por el socio_id, que agrupa las filas de cada socio, y una función de agregación (`count`, `sum`, `max`). Al unir esas cifras resumidas con la ficha del socio con un `merge`, aparece un detalle importante: los 300 socios que no tienen ninguna fila de email, y los que nunca han donado, quedan con nulos. Esos nulos significan «cero actividad», así que se rellenan con `fillna(0)`. El resultado es la tabla de modelado: 15.000 filas, una por socio, con sus features y el target, y sin un solo nulo.