# Limpieza de datos

> Corregir errores, huecos y duplicados en los datos antes de confiar en ellos.

- Nivel: Básico
- Temas: Datos
- URL: https://tidbit.legios.com.ar/es/data-cleaning/
- En inglés: [Data cleaning](https://tidbit.legios.com.ar/data-cleaning/)

La **limpieza de datos** (data cleaning) es el trabajo de encontrar y corregir problemas en un conjunto de datos para poder usarlo con tranquilidad. Los datos reales son desprolijos: el mismo cliente cargado dos veces con el nombre apenas distinto, fechas escritas `03/04/2025` en un sistema y `2025-04-03` en otro, una edad de 250 años, un mail vacío, precios con coma en un país y con punto en otro.

Los pasos típicos son sacar duplicados, unificar formatos (fechas, monedas, nombres de países), decidir qué hacer con los valores que faltan (completarlos, marcarlos o descartar la fila), detectar valores imposibles y revisar que las referencias coincidan, por ejemplo que cada pedido pertenezca a un cliente que existe. Cada decisión es un criterio, así que los buenos equipos escriben las reglas y las corren como código en lugar de arreglar celdas a mano.

Es famosa por ser la parte menos vistosa y que más tiempo lleva del trabajo con datos, y también una de las más importantes. Un tablero o un modelo de machine learning es tan bueno como los datos que recibe; "basura entra, basura sale" es el dicho más viejo del rubro. En un pipeline, la limpieza suele ir en el paso de transformación del ETL, y los controles se vuelven a correr cada vez que llegan datos nuevos.

## Una analogía

Lavar y separar las verduras antes de cocinar: tirás las machucadas, sacás la tierra y cortás todo del mismo tamaño. Si te lo salteás, hasta la mejor receta sale rara.

## Para quedarse

- Corrige duplicados, formatos inconsistentes, valores faltantes y números imposibles.
- Cada regla es una decisión: escribila y automatizala.
- Suele ser parte del paso de transformación de un pipeline de datos.
- Basura entra, basura sale: los reportes y modelos de IA heredan cada error.

## Para seguir leyendo

- [Limpieza de datos en Wikipedia](https://es.wikipedia.org/wiki/Limpieza_de_datos)
- [¿Qué es la limpieza de datos? (AWS)](https://aws.amazon.com/es/what-is/data-cleansing/)

## Términos relacionados

- [Machine learning](https://tidbit.legios.com.ar/es/machine-learning/): Enseñarle a una computadora con ejemplos en lugar de escribirle cada regla.
- [ETL](https://tidbit.legios.com.ar/es/etl/): Sacar datos de sus fuentes, limpiarlos y cargarlos donde se puedan analizar.
- [Inteligencia artificial](https://tidbit.legios.com.ar/es/artificial-intelligence/): Lograr que las computadoras hagan cosas que hasta hace poco solo hacía la gente.