¿Qué es la limpieza de datos? Pasos, ejemplos y herramientas

Publicado:

17 min de lectura

Acar Diveroli
Autor: Acar Diveroli
Campo de fichas de producto: duplicados superpuestos, dos fichas con marcas rojas y una ficha limpia elevada y en azul

Una compradora une en una sola hoja las listas de precios de tres proveedores y pide el precio medio por categoría. Para las tazas sale 320. Nadie vende una taza a 320: un proveedor escribe los decimales con coma, y un paso de limpieza que eliminaba las comas como separador de miles convirtió 12,50 en 1250. La misma hoja recoge una taza dos veces porque una de las copias lleva un espacio al final del nombre. Todas las fórmulas funcionaron. Los datos de debajo, no.

Este artículo explica qué es la limpieza de datos, los pasos en el orden que funciona, los problemas que corrige, un ejemplo resuelto que ejecutamos sobre una pequeña tabla de productos, en qué se diferencia de la transformación y la validación, cuándo usar una hoja de cálculo y cuándo un script, y qué cambia en el aprendizaje automático y en los datos recopilados de la web.

¿Qué es la limpieza de datos?

La limpieza de datos es el proceso de detectar y corregir errores en un conjunto de datos (dataset) para que cada valor signifique lo que dice significar. Aquí, un conjunto de datos es cualquier colección de registros relacionados, normalmente una tabla en la que cada fila es una cosa (un producto, un cliente, una medición) y cada columna es un atributo de esa cosa.

Los errores que persigue son corrientes: un nombre con un espacio de más, un precio guardado como texto, el mismo producto en dos filas, una fecha escrita de tres maneras distintas, un campo vacío. Nada de esto impide que una hoja de cálculo o una base de datos funcione. Lo que hacen es cambiar el resultado: un recuento sale alto, una media se desvía, un filtro se deja filas fuera.

Los datos limpios también tienen una forma. El artículo de Hadley Wickham sobre datos ordenados, «Tidy Data», la resume en tres reglas: cada variable es una columna, cada observación es una fila y cada tipo de unidad de observación es una tabla. Una hoja en la que una columna guarda a la vez la talla y el color («M / azul») rompe la primera regla, y la limpieza la divide.

¿Por qué es importante la limpieza de datos?

La limpieza de datos es importante porque los análisis, los informes y los modelos solo pueden ser tan exactos como los datos que leen; los errores de la entrada pasan directamente a la salida, que es lo que quiere decir el viejo dicho «basura entra, basura sale». El peligro es que la salida sigue pareciendo normal.

Una fila duplicada hace que un producto cuente dos veces en cada total. Un valor ausente que una herramienta trata como cero arrastra la media hacia abajo. Un precio en libras guardado entre precios en euros hace que un producto barato parezca caro, y un modelo entrenado con esos datos aprende los errores junto con los patrones.

La limpieza es el paso de reparación; medir lo buenos que son los datos después es otra tarea. ¿Qué es la calidad de los datos? explica las seis dimensiones y las comprobaciones que puntúan un conjunto de datos.

¿Cuáles son los pasos de la limpieza de datos?

La limpieza de datos sigue siete pasos, desde mirar los datos hasta dejar por escrito qué cambió. El orden de abajo es deliberado: cada paso hace que el siguiente sea más fácil y más fiable.

  1. Perfila los datos. Antes de cambiar nada, cuenta lo que hay: valores vacíos por columna, valores distintos, mínimo y máximo, los formatos más frecuentes. Una columna de moneda con cuatro grafías para las mismas dos monedas te dice qué hay que corregir.
  2. Corrige los errores estructurales. Arregla la forma: divide las columnas que guardan dos cosas, renombra los encabezados, quita espacios, corrige la codificación de caracteres (un «Â£» donde debería haber «£») y convierte en números los números guardados como texto.
  3. Estandariza los formatos. Elige una forma por campo y convierte todo a ella: fechas como AAAA-MM-DD, el perfil de ISO 8601 que la mayoría de los sistemas leen sin adivinar; monedas como códigos de tres letras, por ejemplo EUR o USD (los códigos ISO 4217); un único separador decimal, una sola unidad y una sola grafía para cada valor de categoría.
  4. Elimina los duplicados. Decide qué campo identifica un registro (un ID de producto, un correo electrónico, un número de pedido) y conserva una fila por clave. Hazlo después de estandarizar: A-100 y a-100 son el mismo producto, pero una coincidencia exacta no lo detecta.
  5. Trata los valores ausentes. Para cada campo vacío elige una de tres opciones: dejar fuera el registro, completar el valor desde una fuente fiable o conservar el registro y marcar el valor como ausente. Rellenar un hueco con una media o una suposición es una decisión de modelado, no de limpieza, y debe anotarse como tal.
  6. Valida con reglas. Comprueba cada registro con reglas escritas: precios por encima de cero, fechas que existen, estado de existencias tomado de una lista fija, un precio de oferta no superior al precio normal. Los registros que no las cumplen van a una lista de revisión en lugar de borrarse.
  7. Documenta cada cambio. Anota qué se cambió, con qué regla y cuántas filas tocó cada regla. Guarda los datos en bruto intactos junto a la copia limpia, para que cualquier cifra de un informe se pueda rastrear hasta su origen.

Los valores atípicos (outliers), es decir, los que quedan lejos del resto, corresponden al paso 6. Un precio de 1250 entre precios de 10 a 30 puede ser una errata o un producto premium real, así que contrástalo con la fuente antes de quitarlo.

¿Qué problemas corrige la limpieza de datos?

La limpieza de datos corrige un pequeño conjunto de problemas que se repiten, y la mayoría de los conjuntos de datos desordenados combinan varios. La tabla empareja cada problema con un ejemplo típico y la solución habitual.

ProblemaEjemploSolución habitual
DuplicadosEl mismo producto en dos filasDeduplicar por una clave estable
Formato incoherente18/11/2026 y Nov 18 2026Convertir a un solo formato
Etiquetas incoherentesin stock, In Stock, instockAsignar a una lista fija
Tipo incorrectoPrecio guardado como texto «19,90»Convertirlo en número
Espacios sobrantesCeramic Mug Recortar y unificar espacios
Valores ausentesPrecio vacíoCompletar desde la fuente o marcar
Valores imposiblesPrecio -5, fecha 31 de noviembreMarcar para revisión
Unidades mezcladasGramos y kilos en una columnaConvertir a una unidad
Errores de codificación«Â£» en lugar de «£»Volver a leer con la codificación correcta

Un ejemplo resuelto: limpiar una tabla de productos de 10 filas

Un ejemplo pequeño muestra cómo encajan los pasos. Creamos una tabla de productos ficticia para «Tienda A», con diez filas y el tipo de errores que traen las exportaciones reales:

text
sku,name,price,currency,collected,stock
A-100,Ceramic Mug ,12.50,EUR,2026-11-18,in stock
a-100,ceramic  mug,12.50,eur,18/11/2026,In Stock
A-101,Steel Bottle,"19,90",EUR,2026-11-18,in stock
A-102,Desk Lamp,,EUR,2026-11-18,out of stock
A-103,Notebook A5,4.20,GBP,Nov 18 2026,in stock
A-104,Cotton Tote,-5,EUR,2026-11-18,in stock
A-105,Phone Stand,8.99,€,2026-11-18,instock
A-106,Wall Clock,24.00,EUR,2026-11-18,in stock
A-106,Wall Clock,24.00,EUR,2026-11-18,in stock
A-107,Desk Mat,15.00,EUR,2026-11-31,in stock

En nuestra máquina de pruebas, un script corto de Node.js perfiló la tabla, la estandarizó, la validó y eliminó los duplicados, en ese orden. El perfilado encontró un precio vacío y cuatro grafías tanto en la columna de moneda como en la de existencias. Al estandarizar se recortaron dos nombres, se pasó a mayúsculas un código de producto, «19,90» se convirtió en el número 19.90, eur y € se asignaron a EUR y dos fechas se reescribieron como 2026-11-18.

La validación marcó tres filas en lugar de borrarlas: A-102 no tiene precio, A-104 tiene un precio negativo y A-107 está fechada el 31 de noviembre, un día que no existe. La comprobación de duplicados dio el resultado más revelador. Antes de estandarizar, una comparación exacta solo vio un duplicado (las dos filas idénticas de A-106). Después de recortar y pasar a mayúsculas, encontró un segundo: a-100, ceramic mug es el mismo producto que A-100, Ceramic Mug .

Las diez filas terminaron en cinco filas limpias, tres filas para revisar y dos duplicados eliminados. No se adivinó nada: el precio que falta de la lámpara sigue vacío hasta que alguien consulte la página de la tienda. Si quieres ver el mismo proceso escrito en Python con pandas, incluidos los errores de codificación y los valores atípicos, consulta Cómo limpiar datos de scraping con pandas.

¿En qué se diferencia la limpieza de datos de la transformación y la validación?

La limpieza de datos corrige valores erróneos; la transformación de datos cambia la forma o el significado de datos correctos para un uso nuevo; la validación de datos comprueba los datos con reglas sin cambiarlos. Las tres suelen ejecutarse en el mismo trabajo, por eso los términos se confunden.

TérminoQué haceEjemplo
Limpieza de datosRepara valores erróneos o desordenados«19,90» pasa a ser 19.90
Transformación de datosReorganiza datos correctos para un usoLos precios diarios pasan a medias semanales
Validación de datosComprueba los datos con reglasMarca un precio por debajo de cero
Mapeo de datosEmpareja campos entre sistemasitem_price va a price

La validación es el árbitro: le dice a la limpieza qué corregir y confirma después que la corrección se mantiene. La transformación suele ir después de la limpieza, porque un agregado construido sobre duplicados repite su error. Cuando los datos pasan entre sistemas con nombres de campo distintos, emparejar los campos de origen con los de destino es un paso propio, que se explica en ¿Qué es el mapeo de datos?.

¿Conviene limpiar datos en una hoja de cálculo o con un script?

Limpia los datos en una hoja de cálculo cuando la tabla es pequeña, el trabajo es puntual y una persona necesita ver cada cambio; usa un script o una consulta cuando los datos llegan una y otra vez. La elección depende más de la repetición que del tamaño.

Las hojas de cálculo cubren lo básico: funciones para quitar espacios, buscar y reemplazar, filtros, un comando para quitar duplicados y la división de texto en columnas. Su punto débil es la memoria: una corrección hecha a mano hay que repetirla el mes siguiente, y después nadie sabe qué celdas cambiaron.

Un script o una consulta SQL convierte cada corrección en una regla que se aplica igual a cada lote y deja constancia. Python con la biblioteca pandas es habitual para tablas, y SQL para datos que ya están en una base de datos. Entre ambos está OpenRefine, una herramienta gratuita y de código abierto que se ejecuta en tu propio equipo. Su función de agrupación (clustering) reúne valores parecidos pero no idénticos, como nombres de empresa con distinto espaciado o puntuación, y solo los fusiona después de que apruebes cada grupo.

¿Cómo funciona la limpieza de datos en el aprendizaje automático?

La limpieza de datos para aprendizaje automático sigue los mismos pasos, pero añade dos preocupaciones: las etiquetas erróneas y la fuga de datos (data leakage) entre los datos de entrenamiento y los de prueba. Un modelo no tiene forma de distinguir un error de un patrón, así que ambos pasan directamente a lo que aprende.

Las etiquetas son las respuestas de las que aprende un modelo, como «spam» o «no spam» en un correo. Fallan más de lo que se suele suponer: un estudio presentado en NeurIPS 2021 estimó errores de etiquetado de al menos un 3,3 % de media en los conjuntos de prueba de diez conjuntos de datos de referencia muy usados, y de al menos un 6 % en el conjunto de validación de ImageNet. Revisar a mano una muestra de etiquetas forma parte del plan de limpieza.

La fuga de datos se produce cuando, al construir el modelo, se usa información que no estaría disponible en el momento de la predicción, y eso hace que las puntuaciones de prueba parezcan mejores que el uso real. La guía de scikit-learn da la regla: divide primero los datos en conjunto de entrenamiento y conjunto de prueba, antes de cualquier preprocesamiento, y calcula valores como la media usada para rellenar huecos solo a partir de la parte de entrenamiento. Los duplicados también cuentan aquí; el mismo registro en ambos conjuntos permite evaluar a un modelo con una respuesta que ya ha visto.

¿Por qué los datos web necesitan una limpieza adicional?

Los datos web necesitan una limpieza adicional porque las páginas están escritas para personas, y los datos recopilados en muchos países llegan en muchos formatos locales. Un sitio escribe un precio como 1.299,00 con el símbolo del euro detrás, otro como 1,299.00 con el símbolo delante; una fecha 03/04 significa marzo o abril según el país.

La solución es conservar el contexto junto a cada valor. Guarda en cada fila el código de moneda, el país desde el que se leyó la página y el momento de la recopilación, y convierte a una sola moneda y un solo formato de fecha únicamente después de limpiar. Los nombres de producto en varios idiomas necesitan una clave común, como el ID de producto o el número del código de barras, para que la deduplicación funcione.

El lugar desde el que lees una página también cambia lo que muestra, porque muchas tiendas enseñan precios, moneda y existencias según la ubicación del visitante. Los Proxies residenciales con segmentación por país y ciudad permiten que un trabajo de recopilación lea cada mercado como lo haría un visitante local, de modo que la moneda de la fila coincide con el mercado que describe. Eso facilita la limpieza; no la sustituye.

Los equipos que prefieran recibir datos estructurados en lugar de analizar las páginas por su cuenta pueden preguntar por la extracción gestionada de páginas de nuestra Web Scraping API, disponible a través de nuestro equipo de ventas.

¿Dónde se usa la limpieza de datos?

  • Analítica e informes: cifras de ventas y operaciones antes de que lleguen a un panel de control.
  • Comercio electrónico y precios: catálogos de productos, listas de precios de proveedores y precios de la competencia.
  • CRM y marketing: registros de clientes y empresas antes de segmentarlos.
  • Investigación: respuestas de encuestas con erratas o fuera de la escala.
  • Aprendizaje automático: datos de entrenamiento y de prueba antes de entrenar un modelo.
  • Migraciones de sistemas: registros que pasan entre sistemas con formatos distintos.

Errores frecuentes

  • Limpiar la única copia. Conserva intactos los datos en bruto; sin ellos, ninguna corrección se puede comprobar ni deshacer.
  • Deduplicar antes de estandarizar. A-100 y a-100 parecen distintos hasta que ambos se recortan y se pasan a mayúsculas.
  • Borrar las filas que incumplen una regla. Márcalas y cuéntalas, o no podrás ver si la calidad mejora.
  • Rellenar huecos con suposiciones. Una media escrita en un campo vacío parece un dato real en todos los informes posteriores.
  • Convertir monedas sobre el mismo campo. Conserva el importe original y el código de moneda; convierte en una columna aparte.
  • Corregir a mano cada mes. Una corrección que repites debería convertirse en una regla escrita.

Guía de decisión

NecesidadRecomendación
Una tabla pequeña y puntualHoja de cálculo: quitar espacios, buscar y reemplazar, quitar duplicados
La misma exportación cada semanaUn script o una consulta SQL con reglas escritas
Nombres y categorías desordenadosAgrupación en OpenRefine, aprobando cada fusión
Duplicados que no se venEstandarizar primero y deduplicar después por una clave
Valores vacíosCompletar desde la fuente o marcar; no adivinar
Datos de entrenamiento para un modeloDividir primero y revisar una muestra de etiquetas
Precios de varios paísesConservar moneda, país y momento en cada fila
Muchas fuentes con nombres de campo distintosMapear primero los campos y limpiar después

Preguntas frecuentes

¿Cuáles son los pasos de la limpieza de datos?

Perfilar los datos, corregir los errores estructurales, estandarizar los formatos, eliminar los duplicados, tratar los valores ausentes, validar con reglas y documentar los cambios. Estandariza antes de deduplicar: muchos duplicados solo coinciden cuando el espaciado y las mayúsculas y minúsculas son iguales.

¿Qué diferencia hay entre limpieza y depuración de datos?

En la práctica, ninguna: limpieza, depuración y «scrubbing» de datos significan encontrar y corregir valores erróneos, duplicados, ausentes o mal formateados. Algunos equipos llaman depuración (data cleansing) a un proceso recurrente integrado en un sistema y limpieza a un trabajo puntual, pero la tarea es la misma.

¿Cómo se limpian datos en Excel?

En Excel, usa la función ESPACIOS para quitar los espacios sobrantes, «Buscar y reemplazar» para unificar grafías, el Asistente para convertir texto en columnas para dividir campos, los filtros para detectar valores raros y «Quitar duplicados» sobre la columna que identifica cada registro. Trabaja sobre una copia y deja la hoja original sin cambios.

¿Por qué es importante la limpieza de datos en el análisis de datos?

Un análisis repite cualquier error de su entrada: los duplicados inflan los totales, los valores ausentes distorsionan las medias y las grafías mezcladas parten una categoría en varias. Los resultados siguen pareciendo plausibles, así que el error a menudo solo aflora cuando ya hay una decisión tomada sobre él.

¿Qué es la limpieza de datos en el aprendizaje automático?

En el aprendizaje automático, la limpieza de datos son los pasos habituales más dos comprobaciones adicionales: corregir las etiquetas erróneas y evitar la fuga de datos entre el conjunto de entrenamiento y el de prueba. Divide primero los datos y calcula los valores de relleno solo con el conjunto de entrenamiento, para que las puntuaciones de prueba reflejen cómo se comportará el modelo con datos nuevos.

¿Limpiar datos es lo mismo que borrar los datos de una app en el móvil?

No. Borrar los datos de una app en el móvil elimina los archivos que esa app ha guardado en el dispositivo, como la caché, los ajustes y la sesión iniciada, y la devuelve a su estado inicial. La limpieza de datos en el análisis conserva los datos y los corrige; la idea es que no se pierda nada.

En resumen

La limpieza de datos hace que un conjunto de datos signifique lo que dice: una fila por cada cosa real, un formato por campo, ningún hueco silencioso y ningún valor imposible. Perfila primero, corrige la estructura, estandariza, deduplica después, decide qué hacer con los valores ausentes, valida con reglas escritas y registra cada cambio sin tocar los datos en bruto. En los datos recopilados de la web, conserva la moneda, el país y el momento de recopilación en cada fila, y recopila los datos de cada mercado desde ese mercado; nuestra página de seguimiento de precios explica cómo funciona eso con los precios de la competencia.