Cargar datos sin generar errores

1 · Definición

La carga de datos es el paso de trasladar la información del instrumento —cuestionario en papel, planilla de campo, registro— a la matriz de datos.

2 · Por qué importa tanto

Porque un error de carga es invisible. Un ingreso con un cero de más no levanta ninguna alarma: se convierte en un dato más, entra en los promedios, y solo aparece —con suerte— cuando alguien mira los extremos.

Y porque el análisis no puede corregirlo. Si el dato entró mal, todas las cuentas posteriores están mal, por más sofisticado que sea el método.

3 · Cómo se arma la planilla

Una hoja, sin adornos. Primera fila los nombres de variable, una fila por caso, nada más. Sin títulos arriba, sin celdas combinadas, sin totales.

Un identificador único por caso. Una columna id con un número correlativo que permita volver al cuestionario original. Sin eso, un dato sospechoso no se puede verificar.

Validaciones en cada columna. Es lo que más rinde:

• Listas desplegables para las variables categóricas, con las categorías del diccionario. Así no se puede escribir “Femenino”, “femenino” y “F” en la misma columna.
• Rangos permitidos para las numéricas. Si la edad va de 18 a 99, que la planilla rechace un 180.
• Formato de fecha único y declarado.

Códigos explícitos para los faltantes. Nunca un blanco ambiguo: un código para “no contestó” y otro para “no corresponde”.

Bloqueo de lo que no se toca. Los encabezados y las fórmulas se protegen.

4 · La doble carga

Es el control más efectivo que existe y el menos usado: dos personas cargan los mismos datos de forma independiente y después se comparan las dos bases. Donde difieren, hay un error, y se va al cuestionario original.

No detecta los errores que las dos personas cometen igual —leer mal un número borroso— pero elimina prácticamente todos los de tipeo.

Cuando no hay recursos para cargar todo dos veces, se hace sobre una submuestra: no corrige la base entera, pero estima la tasa de error. Con una advertencia sobre el 10 % que suele recomendarse:

Cuestionarios	El 10 % son	Tasa real	Intervalo del 95 %
100	10	5 %	0,0 % a 27,8 %
300	30	5 %	1,8 % a 21,3 %
1.000	100	5 %	2,2 % a 11,2 %
3.000	300	5 %	3,1 % a 8,1 %

5 · Los controles antes de analizar

Cargada la base, cinco controles que llevan diez minutos:

1. Contar filas. ¿Coincide con la cantidad de cuestionarios? Si no, hay duplicados o pérdidas.

2. Buscar identificadores repetidos. Un id duplicado es un caso cargado dos veces.

3. Mínimos y máximos de cada variable numérica. Es donde aparecen los ceros de más y las edades imposibles.

4. Tabla de frecuencias de cada categórica. Ahí saltan las categorías inventadas, los errores de tipeo y los códigos que no existen en el diccionario.

5. Contar faltantes por columna. Una variable con muchos más vacíos de los esperados indica un problema de carga o de campo.

6. Mirar el tipo de cada columna. El que falta en casi todas las listas, y sin el cual el tercero puede no estar corriendo.

Ninguno de los seis requiere saber Estadística. Todos deberían correrse siempre.

Por qué hace falta el sexto

Una sola celda con “59,4 kg” en una columna de pesos alcanza para convertirla en texto. Lo grave no es eso: es lo que pasa después con el control número 3.

	Columna limpia	Con una celda “59,4 kg”
Tipo	float64	object
mean()	74,75	error
describe() devuelve	count, mean, min, max…	count, unique, top, freq

El sexto control es una línea y detecta los dos casos:

datos.dtypes                                       # ¿alguna numérica es object?
pd.to_numeric(datos["peso"], errors="coerce")      # y cuáles celdas la ensucian

6 · Errores frecuentes

• Cargar sin identificador. Sin id no se puede volver al original y ningún error se puede verificar.
• Usar el mismo símbolo para faltante y para cero. Un ingreso vacío y un ingreso de cero son cosas distintas, y confundirlos corre todos los promedios.
• Escribir unidades en la celda. “45 kg” convierte la columna en texto y ningún cálculo funciona. La unidad va en el diccionario y en el nombre de la variable.
• Usar colores para marcar casos dudosos. El color no se exporta —probado: una celda resaltada en .xlsx llega al CSV como un número más, sin ningún rastro de la marca—. Si una marca importa, va en una columna.
• No declarar el separador decimal al leer un CSV en español. Todas las columnas numéricas entran como texto y los controles dejan de verlas.
• Confiar en describe() para encontrar valores imposibles. Si la columna se volvió texto, cambia de estadísticos sin avisar y el mínimo y el máximo desaparecen.
• Cargar categorías a mano libre. Sin lista desplegable, la misma categoría aparece escrita de cinco formas.
• Hacer correcciones sobre el archivo original. La base cruda no se toca nunca: las correcciones van en un script o en una copia, con registro de qué se cambió.
• Empezar a analizar sin correr los controles. Diez minutos ahorrados que cuestan una semana.

7 · En el software

# R — los seis controles
nrow(datos)                          # cantidad de casos
sum(duplicated(datos$id))            # identificadores repetidos
summary(datos)                       # mínimos, máximos y NA de una
lapply(datos[categoricas], table)    # categorías inesperadas
colSums(is.na(datos))                # faltantes por columna
sapply(datos, class)                 # tipos: ¿alguna numérica quedó como texto?

# Leer un CSV exportado en español
read.csv2("base.csv")                # separador ; y decimal ,

# Python
len(datos)
datos["id"].duplicated().sum()
datos.describe(include="all")
datos["sexo"].value_counts(dropna=False)
datos.isna().sum()
datos.dtypes                         # el sexto control

pd.read_csv("base.csv", sep=";", decimal=",")   # CSV en español

Excel:    Datos › Validación de datos    listas y rangos permitidos
          Revisar › Proteger hoja        bloquear encabezados
          Formato condicional            resaltar duplicados al cargar
SPSS:     Datos › Validación › Cargar reglas

@misc{estadistica_ar_carga_de_datos_sin_errores,
  author       = {Montivero, Jorge Luis},
  title        = {{Cargar datos sin generar errores}},
  year         = {2026},
  howpublished = {\url{https://estadistica.ar/conceptos/carga-de-datos-sin-errores}},
  note         = {estadistica.ar. Consultado el \today},
  urldate      = {2026-09-27}
}