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
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
Limpieza de Datos (Data Cleaning)
Preparación De DatosDetectar y corregir errores, inconsistencias y duplicados antes de que contaminen cualquier análisis.
Detección y Tratamiento de Outliers
Preparación De DatosIdentificar valores atípicos y decidir si son ruido, errores o la señal más importante del dataset.