Ir al contenido principal
Español— Elegir un idioma
Menú

Limpieza y transformación de datos

Lección 3 de 14 Actualizado el 5 de noviembre de 2026 Intermedio
En esta página
  1. De datos brutos a información accionable
  2. Diagnóstico de la calidad de tus datos
  3. Gestión de valores faltantes
  4. Eliminación de duplicados
  5. Estandarización de formatos
  6. Creación de nuevas columnas
  7. Exportación de datos limpios
  8. Tu turno
  9. Puntos clave

De datos brutos a información accionable

Los datos del mundo real rara vez están limpios. Encontrarás duplicados por importaciones dobles, valores faltantes porque un campo era opcional, formatos de fecha que cambian según quién introdujo los datos y columnas heredadas de herramientas antiguas. Antes de poder analizar nada, debes limpiar. Esta etapa ha sido durante mucho tiempo la parte más ingrata del trabajo. ChatGPT la transforma en una conversación: describes el problema, genera el código de limpieza, lo ejecuta y te muestra el resultado para su verificación antes de continuar.

Diagnóstico de la calidad de tus datos

Limpiar sin diagnosticar es como reparar algo con los ojos vendados. Comienza cada sesión con una auditoría:

Analiza la calidad de este archivo: valores faltantes por columna,
duplicados, tipos de datos detectados y posibles valores atípicos.

El informe proporciona el porcentaje de valores faltantes columna por columna, el número de filas duplicadas, columnas con tipos inconsistentes —una mezcla de texto y números casi siempre indica entrada manual— y valores extremos que probablemente sean errores tipográficos. En un archivo de pedidos, la auditoría podría revelar clientes sin códigos postales o un pedido de 950.000 € en lugar de 950 €. Un prompt más corto también funciona: «Revisa este archivo: ¿qué problemas comunes encuentras?». ChatGPT puede sugerir varias formas de solucionarlos; pregunta sobre las consecuencias de cada una antes de elegir.

Gestión de valores faltantes

Este es el problema más frecuente y no existe una solución única: la estrategia correcta depende de lo que signifique el espacio vacío en tu contexto. Una cantidad faltante no es lo mismo que una dirección de correo electrónico faltante.

Eliminar filas incompletas funciona cuando los datos faltantes son escasos y no críticos. Una campaña de correo electrónico no sirve de nada con un contacto sin dirección: esa fila es irrecuperable.

Elimina todas las filas donde la columna "email" esté vacía.

Rellenar con un valor predeterminado tiene sentido cuando conoces el valor lógico. Si tu empresa opera únicamente en Francia y el campo de país era opcional, la ausencia significa «Francia»; una cantidad vacía en una línea de descuento significa cero, no «desconocido».

Reemplaza los valores faltantes en "country" con "France"
y los de "amount" con 0.

Por último, la interpolación es adecuada para series temporales y datos continuos, donde un valor nulo crearía un hueco artificial en la curva.

Para los valores faltantes en "monthly_revenue", usa la media
de los meses anterior y posterior para el mismo cliente.

Eliminación de duplicados

Los duplicados sesgan todas las estadísticas posteriores: contar a un cliente dos veces duplica su contribución a los ingresos e infla artificialmente su clasificación. Sin embargo, primero debes definir qué constituye un duplicado, ya que dos pedidos del mismo cliente el mismo día pueden ser legítimos.

Identifica y elimina duplicados basándote en las columnas
"customer_name" y "order_date". Conserva la primera aparición.

Pide a ChatGPT que te muestre las filas afectadas antes de eliminarlas y tómate el tiempo de revisarlas: es precisamente en este momento cuando verás si estás eliminando un duplicado real de importación o un segundo pedido genuino.

Estandarización de formatos

Las fechas son el primer obstáculo. Un archivo alimentado por múltiples fuentes suele contener «15/03/2026», «2026-03-15» y «15 de marzo de 2026», que pandas no puede ordenar juntos: tu curva mensual permanecerá muda hasta que esto se resuelva.

Convierte todas las fechas de la columna "purchase_date"
al formato YYYY-MM-DD y marca aquellas que no se puedan convertir.

El texto plantea dificultades más insidiosas porque sigue siendo legible para el ojo humano. «Paris», «PARIS» y «paris» cuentan como tres ciudades distintas; un espacio final después de «Lyon » crea una cuarta; «Saint-Étienne» frente a «St Etienne» divide tus ventas regionales en dos líneas, ninguna de las cuales es correcta.

Normaliza la columna "city": pon en mayúscula la primera letra,
elimina espacios adicionales y agrupa variantes
(Saint/St, guiones faltantes).

Por último, los números suelen llegar formateados para su visualización y no para el cálculo. Mientras la columna contenga «1.250,50 €», no es posible realizar ninguna suma.

La columna "price" contiene valores como "1.250,50 €".
Conviértela a un número decimal (1250.50) y elimina el símbolo del euro.

Creación de nuevas columnas

La transformación no consiste solo en arreglar, sino en enriquecer. Una columna de fecha se convierte en un eje trimestral para comparar periodos; una columna de importe se convierte en un segmento comercial utilizable en tus análisis.

Crea una columna "quarter" a partir de "order_date"
y una columna "revenue_tier" que categorice los ingresos como:
"Small" (< 1000), "Medium" (1000-5000), "Large" (> 5000).

ChatGPT genera el código pandas correspondiente, usando pd.cut() o condiciones lógicas, y lo ejecuta. A continuación, comprueba la distribución resultante: si el 90 % de tus clientes caen en «Small», tus umbrales están mal calibrados y la segmentación no te enseñará nada.

Exportación de datos limpios

Una vez finalizada la limpieza, recupera el archivo limpio. El botón de descarga, situado en la esquina superior derecha de una tabla producida por ChatGPT, lo guarda en formato CSV. Para un formato específico, pídelo:

Exporta el DataFrame limpio como CSV (UTF-8, separador punto y coma)
para que pueda descargarlo.

A continuación, abre el archivo en tu software de hoja de cálculo y compara el recuento de filas con el original: te quedas con un archivo utilizable en otros lugares —Excel, herramienta de BI, siguiente sesión— sin tener que volver a hacer todo la semana siguiente. Trabaja siempre sobre una copia y mantén intacto el archivo original para poder revertir si es necesario.

Las cinco fases de la limpieza Cinco pasos: auditar la calidad del archivo; gestionar los valores faltantes según el significado del espacio vacío; definir y verificar duplicados; estandarizar fechas, texto y números; exportar el archivo limpio. LIMPIEZA Las cinco fases de la limpieza 1 Auditoría Calidad 2 Faltantes Según el espacio vacío 3 Duplicados Verificados 4 Formatos Fechas, texto 5 Exportar Archivo limpio Trabaja sobre una copia: el archivo original permanece intacto.
Método de la lección; anomalías basadas en el artículo «Extracting Insights with ChatGPT Data Analysis» del Centro de Ayuda de OpenAI (noviembre de 2026).

Tu turno

Tu primera limpieza.

  1. Importa una copia de un archivo real y solicita una auditoría de calidad
  2. Gestiona los valores faltantes columna por columna, según lo que signifique el espacio vacío
  3. Define qué constituye un duplicado, examina las filas afectadas y elimínalas
  4. Estandariza fechas, ciudades e importes
  5. Descarga el archivo limpio y compara el recuento de filas con el original

Fuentes oficiales: Extracting Insights with ChatGPT Data Analysis · Data analysis with ChatGPT (Centro de Ayuda de OpenAI)

Puntos clave

  • Comienza siempre con una auditoría de calidad antes de analizar
  • ChatGPT gestiona valores faltantes, duplicados y formatos inconsistentes en pocos mensajes
  • Verifica sistemáticamente los resultados intermedios: pide una vista previa después de cada operación
  • Exporta el archivo limpio para reutilizarlo en otras herramientas si es necesario
  • El código Python es visible: puedes copiarlo y reutilizarlo en tus propios scripts