Limpieza de datos: duplicados, errores y valores faltantes

Limpiar datos es corregir o eliminar lo que está duplicado, mal escrito, vacío o en un formato incorrecto, para que los cálculos reflejen la realidad. Es la parte menos vistosa del análisis y una de las que más tiempo consume, pero también la que más errores evita: un análisis brillante sobre datos sucios es un error bien presentado. En esta lección limpiarás la hoja Ventas del archivo de práctica, que trae a propósito los problemas más comunes que encontrarás en tu trabajo.

Por qué limpiar cambia las conclusiones

Antes de corregir nada, mira lo que pasa si analizas la hoja Ventas tal cual: sumas el importe, traes el país con BUSCARX y resumes. Los errores no solo inflan el total; cambian el ranking de países.

El proceso de limpieza, paso a paso

1. Paso 0Guarda el originalDuplica la hoja (clic derecho › Mover o copiar › Crear una copia). Nunca limpies sobre el único original.
2. Paso 1Perfila los datosCuenta filas, valores únicos, vacíos y tipos de cada columna para saber qué errores hay.
3. Paso 2Quita duplicadosPrimero investiga, luego elimina.
4. Paso 3Unifica textosEspacios, mayúsculas, abreviaturas y tildes.
5. Paso 4Trata los faltantesRecalcula, imputa, marca o elimina, según el caso.
6. Paso 5Corrige tipos y fechasNúmeros como número y fechas como fecha.
7. Paso 6Valida y documentaComprueba las reglas del diccionario y anota cada cambio.

Paso 1: perfila los datos

Perfilar es hacer un diagnóstico rápido de cada columna. En la hoja Ventas (filas 2 a 201), estas fórmulas revelan los cuatro problemas:

El último truco funciona porque CONTAR solo cuenta números, y una fecha real es un número por dentro. Sobre las regiones: UNICOS de Excel no distingue mayúsculas, así que cuenta «lima» y «Lima» como una sola y devuelve 13. Google Sheets, pandas y SQL sí las distinguen y devuelven 15. En ambos casos sobran valores: abre el filtro de la columna region y verás «CDMX», «Bogota» y otras variantes.

Paso 2: duplicados

Para ver los duplicados antes de borrarlos, agrega una columna auxiliar que marque la segunda aparición de cada identificador:

J2: =CONTAR.SI($A$2:A2; A2)>1

El rango $A$2:A2 crece al copiar la fórmula hacia abajo, así que solo marca VERDADERO cuando el pedido ya apareció más arriba. Filtra por VERDADERO y verás tres filas: P-0026 (La Libertad, 44,90), P-0071 (Ciudad de México, 274,50) y P-0136 (Arequipa, 649,00). Son copias exactas de filas anteriores, así que se eliminan. Sumaban 968,40 USD de más.

La alternativa rápida es Datos › Quitar duplicados, marcando todas las columnas. Ojo: si marcas solo id_pedido y dos filas tienen el mismo ID pero datos distintos, Excel borrará una sin avisarte. Ese caso no es un duplicado: es un problema de identificadores que hay que investigar.

Paso 3: unifica los textos

Las 8 regiones mal escritas tienen tres tipos de error: espacios invisibles («Lima »), mayúsculas («lima», «antioquia») y variantes o abreviaturas («CDMX», «Bogota», «Nuevo Leon»). Excel perdona las mayúsculas en SUMAR.SI.CONJUNTO, BUSCARX y las tablas dinámicas, pero Power Query, pandas y la mayoría de bases de datos no: «lima» y «Lima» serían dos regiones distintas. Unifícalas igual. La solución más segura combina dos herramientas:

1. Una pequeña tabla de correcciones (por ejemplo, en una hoja nueva llamada Correcciones) con el valor incorrecto en la columna A y el correcto en la B: lima → Lima, CDMX → Ciudad de México, Bogota → Bogotá, Nuevo Leon → Nuevo León, antioquia → Antioquia.
2. Una fórmula que primero quita espacios y luego busca la corrección; si no la encuentra, deja el texto como estaba:

=BUSCARX(ESPACIOS(C2); Correcciones!$A$2:$A$6; Correcciones!$B$2:$B$6; ESPACIOS(C2))

Después, copia la columna y pégala como valores sobre la original. Comprueba con =CONTARA(UNICOS(...)) que ahora hay 9 regiones.

Paso 4: valores faltantes

No hay una única forma correcta de tratar un vacío. Depende de por qué falta el dato y de si puedes recuperarlo:

En Nexo, el diccionario dice que importe = unidades × precio_unitario, así que los 4 vacíos se recalculan. Imputarlos con el promedio (195,29) sería un error grave: el pedido P-0035 es una mochila de 39,90.

=SI(ESBLANCO(I2); G2*H2; I2)

Los cuatro importes recuperados son P-0017 (159,90), P-0035 (39,90), P-0068 (44,90) y P-0099 (3 × 27,50 = 82,50): 327,20 USD que la suma original no contaba.

Paso 5: tipos y fechas

El pedido P-0104 tiene la fecha «13/08/2025» guardada como texto, mientras el resto son fechas reales. Detéctala con =ESNUMERO(B2), que devuelve FALSO solo en esa fila. Para convertirla, extrae día, mes y año del texto:

=FECHA(DERECHA(B2;4); EXTRAE(B2;4;2); IZQUIERDA(B2;2))

También sirve Datos › Texto en columnas, eligiendo el formato DMA en el último paso. Si no corriges esta fila, el pedido desaparece de cualquier resumen por mes y de los filtros de fecha. En herramientas más potentes, Power Query permite hacer todos estos pasos con clics y repetirlos cada vez que llega un archivo nuevo; lo verás en la lección de Power Query en Excel.

Paso 6: valida y documenta

La limpieza termina cuando los datos cumplen las reglas del diccionario. Estas comprobaciones deben dar el resultado esperado:

Por último, anota lo que hiciste en un registro de cambios: una tabla con fecha, problema, filas afectadas, acción y responsable. Por ejemplo: «3 filas duplicadas (P-0026, P-0071, P-0136) eliminadas; 968,40 USD». Así, si alguien pregunta por qué tu total no coincide con el del sistema, tienes la respuesta en un minuto.

Lo mismo en Python, en pocas líneas

Si los datos llegan cada semana, conviene automatizar la limpieza. Este es un adelanto de lo que harás en la lección 14 con pandas:

import pandas as pd

df = pd.read_csv("ventas-practica-analisis.csv")
df = df.drop_duplicates()
df["region"] = df["region"].str.strip().replace({
    "lima": "Lima", "CDMX": "Ciudad de México", "Bogota": "Bogotá",
    "Nuevo Leon": "Nuevo León", "antioquia": "Antioquia"})
df["importe"] = df["importe"].fillna((df["unidades"] * df["precio_unitario"]).round(2))
print(len(df), round(df["importe"].sum(), 2))   # 197 38472.2

Errores comunes (y qué hacer en su lugar)

Lista de control de limpieza

• Hice una copia de los datos originales.
• Comparé número de filas con número de identificadores únicos.
• Revisé los valores distintos de cada columna de texto.
• Decidí, con criterio, qué hacer con cada valor faltante.
• Confirmé que fechas y números tienen el tipo correcto.
• Validé las reglas del diccionario y anoté los cambios.

Resumen

• Datos sucios cambian conclusiones: en Nexo, invertían el ranking de países.
• Perfila antes de limpiar: filas, únicos, vacíos, valores distintos y tipos.
• Elimina duplicados después de revisarlos y unifica textos con una tabla de correcciones.
• Recalcula lo que se pueda derivar; imputa solo como último recurso.
• Valida con las reglas del diccionario y deja un registro de cambios.

En la próxima lección: Estadística descriptiva: media, mediana, desviación y percentiles. Con los datos ya limpios, aprenderás a describir cómo se reparten los importes de los pedidos y a detectar valores atípicos.