Datos Ruidosos
Consideramos dato ruidoso a aquel que no cumple con las expectativas de calidad, y que puede afectar la validez de los resultados obtenidos en un análisis.
Datos Atípicos
Los datos atípicos son aquellos que se encuentran alejados de la mayoría de los datos en un conjunto. Son datos reales, pero pueden afectar los estadísticos de tendencia central y desviación.
Se puede optar por eliminarlos o incluirlos en el modelo (con el riesgo de propagar errores).
Datos Mal Codificados
Los datos mal codificados son aquellos que no cumplen con las reglas de codificación esperadas. Por ejemplo, un campo de fecha que contiene texto o un campo numérico que contiene caracteres alfabéticos.
Se puede optar por corregir los errores de codificación o eliminarlos.
Datos Faltantes
Los datos faltantes son aquellos que no están presentes en el conjunto de datos. Pueden ser causados por errores en la recolección de datos, problemas de almacenamiento o simplemente porque no se registraron.
Clasificación de los datos faltantes
Los datos faltantes son más complejos. Antes de decidir cómo tratarlos, es importante clasificarlos:
-
MCAR (Missing Completely At Random): Los datos faltantes no dependen de ninguna variable, incluyendo observadas y no observadas.
-
MAR (Missing At Random): Los datos faltantes dependen de variables observadas, pero no de las no observadas.
-
NMAR (Not Missing At Random): Los datos faltantes dependen de variables no observadas y quizás, de las observadas.
Tratamiento del dato faltante
Se puede decidir por eliminar o imputar los datos faltantes. Optando por eliminar puntualmente solo los valores faltantes, o eliminando toda la fila/columna que contenga valores faltantes.
La imputación general puede ser por la media, mediana o moda de la variable, o por el valor más frecuente. También se puede optar por técnicas más avanzadas como la imputación múltiple o el uso de modelos predictivos para estimar los valores faltantes.
Entre estas técnicas de imputación se encuentran KNN (K-Nearest Neighbors) o MICE (Multiple Imputation by Chained Equations), que permiten imputar valores faltantes basándose en la similitud entre las observaciones.