Datos simulados
La planilla de una tesis, tal como llega
Una encuesta simulada de 187 estudiantes con los errores de carga reales: duplicados, categorías escritas de ocho formas, códigos 99 y faltantes que no son al azar.
Son datos inventados con una semilla y parámetros conocidos. No dicen nada del mundo y no se pueden citar como evidencia. A cambio, la respuesta correcta se sabe de antemano: sirven para comprobar si un método funciona.
- Filas
- 187
- Cada fila es
- una respuesta de la encuesta
- Variables
- 8
- Período
- sin período: no describe ningún momento real
187 filas · separador «;» · CSV · 5 KB
Abre en R, Python, Excel, SPSS e InfoStat.
simulado-escuelas-tesis.csv · 9 filas · CSV · 192 B
La tabla de escuelas, para practicar el cruce. Trae un código repetido y le falta uno de los que aparecen en la encuesta.
Por qué es inventado
Todos los demás conjuntos del sitio son reales. Este no puede serlo: una planilla con errores de carga no tiene fuente pública. Nadie publica su encuesta sin limpiar, y los errores que importan —el duplicado, la categoría escrita de cuatro formas, el 99 mezclado con las edades— desaparecen justamente en el paso que acá hay que practicar.
Qué se practica
Lo que viene antes de cualquier análisis, y que ningún archivo oficial permite ensayar porque llega limpio:
- decidir qué es una fila repetida, cuando los duplicados no son idénticos;
- unificar categorías escritas a mano;
- separar los códigos de los valores;
- mirar si los faltantes faltan al azar;
- pasar de ancho a largo;
- cruzar dos tablas y darse cuenta de lo que se perdió.
Lo que hace que valga la pena
Cómo abrirlos
import pandas as pd
d = pd.read_csv("simulado-encuesta-tesis.csv", sep=";", decimal=",")
e = pd.read_csv("simulado-escuelas-tesis.csv", sep=";")Conviene abrirlos sin ninguna conversión automática la primera vez y mirar qué hay, en lugar de dejar que la biblioteca decida por su cuenta qué es un faltante y qué es un número.
Libro de códigos
Qué hay en cada columna y qué significa cada código. Los valores que no son lo que parecen están anotados acá.
| Variable | Tipo | Qué es |
|---|---|---|
| id | Identificador | Número de encuesta. No es único: hay 7 filas cargadas dos veces. |
| sexo | Categórica | Escrito a mano por quien cargó, sin lista desplegable.Ocho formas de dos categorías: Mujer, mujer, MUJER, «Mujer » con espacio final, Varón, varon, Varon, VARÓN |
| edad | Cuantitativa | Edad en años. Válida de 12 a 19.99 = no responde (6 casos). Y 9 valores quedan fuera del rango posible: son errores de tipeo. |
| escuela | Categórica | Código de la escuela, para cruzar con la tabla anexa.Aparece E09, que no existe en la tabla de escuelas |
| horas_estudio | Cuantitativa | Horas semanales de estudio fuera de la escuela, con coma decimal.−1 = no sabe (14 casos) · vacío = no respondió (6 casos). Son dos cosas distintas. |
| nota_t1 | Cuantitativa | Nota del primer trimestre, de 1 a 10.8 vacíos |
| nota_t2 | Cuantitativa | Nota del segundo trimestre.16 vacíos |
| nota_t3 | Cuantitativa | Nota del tercer trimestre.35 vacíos. La cantidad crece trimestre a trimestre, y eso tiene una lectura. |
Las trampas de este archivo
Están a propósito: el archivo no se limpió antes de publicarlo. Tropezarse con ellas es parte de aprender a abrir datos reales.
- Los datos son inventados. No describen a ninguna escuela ni a ningún estudiante real, y no se pueden citar. Por eso los dos archivos se llaman simulado-.
- Los faltantes NO son al azar: faltan más notas entre quienes venían con notas más bajas. Borrar las filas incompletas cambia el promedio, y esa es la mitad del ejercicio.
- El −1 de horas de estudio y el 99 de edad son códigos, no valores. Promediarlos sin tratarlos da un número que parece razonable y no lo es.
- Las siete filas duplicadas no son idénticas en todas las columnas: eliminar duplicados exactos no las saca. Hay que decidir por qué columna se identifica una respuesta.
- La tabla de escuelas tiene E05 dos veces, con «Urbano» y «urbano». Un cruce ingenuo duplica todas las filas de esa escuela.
Qué se puede preguntar
Para usarlo en una clase o un trabajo práctico, sin tener que inventar las consignas.
- 1.¿Cuántas respuestas distintas hay en realidad, y con qué criterio se decide?
- 2.Unificar las ocho formas de sexo en dos categorías: ¿cuántas quedan de cada una?
- 3.¿Cambia el promedio de notas si se borran las filas incompletas? ¿En qué dirección y por qué?
- 4.¿Cuántos casos se pierden al cruzar con la tabla de escuelas, y qué hay que revisar antes de cruzar?
- 5.Pasar las tres notas de formato ancho a largo: ¿cuántas filas quedan?
Herramientas de este tema
- ScriptImportar, revisar y limpiar
- PlantillaPlanilla de carga con validaciones
- PlantillaLibro de códigos de una encuesta