Manejo de Datos Faltantes

Decidir qué hacer cuando faltan valores, sin sesgar ni descartar información valiosa.

ÁreaPreparación y Limpieza de Datos
DificultadIntermedio
Tiempo de aprendizaje2-3 semanas

¿Qué puedes lograr dominando este tema?

  • Diagnosticar si los datos faltan al azar o siguen un patrón sistemático
  • Elegir entre imputar, eliminar o modelar explícitamente los valores faltantes
  • Evitar sesgos ocultos que introduce un manejo descuidado de los faltantes

Descripción

No todos los datos faltantes son iguales: pueden faltar completamente al azar, al azar condicionado a otras variables, o de forma sistemática (el caso más peligroso). Elegir bien entre eliminar, imputar con la media/mediana, o usar modelos de imputación más sofisticados afecta directamente la validez del análisis.

Casos de uso

  • Encuestas y formularios con respuestas incompletas
  • Datos de sensores con lecturas perdidas por fallas técnicas
  • Registros médicos con campos opcionales no diligenciados
  • Preparación de features antes de entrenar un modelo

Ejemplo práctico

Ejemplo prácticopython
import pandas as pd
from sklearn.impute import KNNImputer

df = pd.read_csv("pacientes.csv")
print(df.isna().mean()) # % de faltantes por columna

imputer = KNNImputer(n_neighbors=5)
df_imputado = imputer.fit_transform(df[["edad", "presion"]])

Ventajas y limitaciones

Ventajas

  • Preserva registros que de otro modo se perderían por completo
  • Métodos modernos (KNN, MICE) imputan con más precisión que la media simple
  • Obliga a entender por qué faltan los datos, revelando problemas de captura

Limitaciones

  • Toda imputación introduce cierto grado de incertidumbre artificial
  • Ignorar el patrón de los faltantes puede sesgar seriamente las conclusiones

Herramientas relacionadas

Librerías y plataformas más comunes para practicar este tema.

  • Pandas
  • scikit-learn
  • R (mice)

Temas relacionados

Fichas de herramientas