Con archivo
Limpiar la planilla de una encuesta
Descargá los archivos, trabajalos con el programa que uses y comprobá los resultados. Varias respuestas traen además los números equivocados más probables, con el motivo de cada uno.
Los archivos
Datos simulados con semilla fija: la planilla de una tesis sobre estudiantes secundarios, con los errores de carga típicos. No provienen de ninguna fuente pública y no deben citarse como tales.
La encuesta
Descargar el CSV187 filas · separador; · UTF-8
id- número de encuesta
sexo- Mujer o Varón, escrito a mano por quien cargó
edad- en años; válida de 12 a 19; 99 = no responde
escuela- código de la escuela, para cruzar con la otra tabla
horas_estudio- horas semanales de estudio fuera de la escuela, con coma decimal; −1 = no sabe; vacío = no respondió
nota_t1- nota del primer trimestre, de 1 a 10; vacío = sin nota
nota_t2- nota del segundo trimestre
nota_t3- nota del tercer trimestre
La tabla de escuelas
Descargar el CSV9 filas · separador; · UTF-8
escuela- código de la escuela
gestion- Estatal o Privada
ambito- Urbano o Rural
Antes de calcular nada: cuántas filas hay de verdad y qué dice cada columna. Los errores de este archivo son los que aparecen cuando una encuesta se carga a mano.
1) ¿Cuántas filas tiene el archivo de la encuesta, sin el encabezado?
Ver la respuesta
187
187. Hay que leerlo con punto y coma como separador y coma decimal, como lo exporta un Excel en castellano.
Si te dio otro número
- 188 — Se contó el encabezado como una fila más: pasa al abrirlo como texto o sin indicar que la primera línea son los nombres.
2) ¿Cuántas filas son copias exactas de otra y hay que sacar?
Ver la respuesta
7
7: después de sacarlas quedan 180 estudiantes. Son filas idénticas en todas las columnas, id incluido; en R,
distinct(); en pandas,drop_duplicates(); en Excel, «Quitar duplicados».Si te dio otro número
- 14 — Se contaron las dos filas de cada par. Hay que sacar solo la copia y conservar una.
3) Sin los duplicados, ¿cuántas mujeres hay?
Ver la respuesta
100
100. La columna trae «Mujer», «mujer», «MUJER» y «Mujer » con un espacio al final: hay que sacar los espacios y pasar todo a minúsculas antes de contar. Con «Varón» pasa lo mismo, y además algunos están sin tilde.
Si te dio otro número
- 63 — Se contaron solo las que dicen exactamente «Mujer». Una tabla de frecuencias de la columna sin limpiar muestra ocho categorías donde debería haber dos.
4) ¿Cuál es la edad media, contando solo las edades válidas?
Ver la respuesta
15,49tolerancia ±0,01
15,49 años. Quedan afuera los 99, que son «no responde», y 2 edades imposibles —un 155 y un 1— que son errores de tipeo: no se corrigen adivinando, se tratan como faltantes.
Si te dio otro número
- 18,97 — Se promediaron los 99 como si fueran edades. Seis códigos de no respuesta suben la media 3,5 años.
- 16,21 — Se sacaron los 99 pero quedaron el 155 y el 1. Conviene mirar el mínimo y el máximo de cada columna antes de promediar.
Las respuestas se recalculan a partir de los mismos archivos que se descargan, y el SHA-256 de cada uno se comprueba en cada compilación, así que corresponden exactamente a lo que bajaste. Cómo se hace.