Clase 01 Liempieza de Datos e Importaci n

8/16/2019 Clase 01 Liempieza de Datos e Importaci n

1/19

Excel Free Blog: Es una Canal de YouTube y Blog dedicado a impartir conocimiento de Excel para

aumentar la competitividad en cualquier persona que desee diferenciarse en el mundo empresarial

xcel

Mini-Curso: Analizando Datos

con Microsoft Excel 2013

Edición

2015Clase 01: Limpieza de Datos e Importación

www.excelfree.weebl .com

Miguel CaballeroAutor del Canal: Excel Free Blog

Fabian Torres

Co-Autor del Libro: Tablas

Dinámicas, La Quinta Dimensión


2/19

1

Esta Página fue dejada en blanco intencionalmente


3/19

2

Clase 01 • Limpieza de Datos e Importación

1.1 Importación de datos

Antes de poder limpiar los datos para posteriormente hacer un

análisis, es necesario generarlos. La recolección de datos hoy por

hoy se hace de una cantidad inimaginable de maneras y es

mérito para un curso completo sobre ello, no obstante, lo que

es importante, lo que está en el corazón del tema, es como

obtener datos que se encuentren codificados en distintosformatos a una hoja de cálculo de Excel.

La Importación de datos es el proceso de extraer datos desde

alguna instancia u origen que los contenga, los cuales fueron

creados con otro programa, o que pertenece a versiones

antiguas, o que fueron generados por la misma versión en un

momento previo y no están disponible en el documento actual.

1.2 Formatos en Excel

Microsoft Excel Puede abrir una gran variedad de formatos de

manera directa, los cuales se agrupan de manera simplificada en

las siguientes categorías:

Formatos de Hojas de Cálculo

Formatos de Gestores de Bases de Datos

Formatos de Archivos de Texto

Archivos HTML

Archivos XML

Formato

La manera en la cual se

codifica un archivo para

que el sistema operativoo S.O lo pueda leer, se

denomina formato.

Figura 1. 1 Tal vez no hayas

escuchado hablar mucho de

formatos, pero estamos

familiarizados con ellos a

veces sin darnos cuenta, tal es

el caso del formato PDF.


4/19

Clase 01 • Limpieza de Datos e Importación 3

La tabla presentada a continuación describe brevemente cada

formato agrupado en su categoría.

Formato Detalle

HojasdeCálculo

XLSX Hojas de Cálculos de Excel 2007 yPosteriores.

XLSM Hojas de Cálculos de Excel 2007 y Posteriores

Habilitada para macros.

XLSB Hojas Binarias de Excel 2007 y PosterioresHabilitada para Macros.

XLTXPlantillas de Excel 2007 y Posteriores.

XLAM Archivo de Excel 2007 y posteriores paracomplementos.

XLS Hojas de Cálculos Excel 2003, 2002, 2000, 97,98 y 4.

XLM Libro para macros en Excel 2003, 2002, 2000,97, 98 y 4 (No incluye datos).

XLT Archivo de Plantilla en Excel 2003, 2002, 2000,97, 98 y 4.

XLA Archivo de Excel 2003 y anteriores paracomplementos.

DB

MDBBase de datos Access 2003 y anteriores.

ACCDBBase de datos Access 2007 y posteriores.

Tabla 1.1Extensión

Cada formato se identifica

por una serie de letras y/o

números que

generalmente son 3

caracteres precedidos deun punto después del

nombre.

La función de las

extensiones es poder

distinguir de qué manera

esta codificado del

archivo, lo cual esfundamental para que el

sistema operativo

disponga del

procedimiento necesario

para poder leerlo,

interpretarlo y ejecutarlo.

ontinúa…


5/19

4


1

La forma más adecuada de importar es bastante sencilla:

Pestaña: [Datos] Grupo: [Obtener Datos Externos]

Allí va poder apreciar las categorías de formatos mencionadas

anteriormente, así como otras fuentes externas. En la figura 1.2

puede ver esto.

Formato Detalle

ArchivosdeTexto

CSVLas columnas se separan con

Coma y las filas con un retorno de carro.

TXTValores separados por TAB: las columnas se separan

con TAB y las filas con un retorno de carro.

PRNLas columnas se separan con varios espacios y las filas

con retorno de carro.

DIFVisiCalc: Primera hoja de cálculo para computadoras

personales. (Raramente utilizado)

SYLKMultiPlan: Primera hoja de cálculo distribuida por

Microsoft. (Raramente Utilizado)

Web

HTML

Excel puede abrir HTML localizado en nuestro PC o

en la WEB.

XML Excel Puede abrir datos almacenados en XML.

Obtener Datos Externos

[1.1]

Continuación


6/19


Ejemplo Base de Datos

Solución

Obtener Datos desde Tabla de Access

E

Importar datos es bastante sencillo, pero consideremos los dos

casos presentados enseguida.

Figura 1. 2 Grupo Obtener datos para importar orígenes de datos externos

Considere que tiene que importar la tabla de datos en la base de datos Access

AdventureWorks llamada Production_ProductInventory.

(A) Vamos a obtener datos externos [1.1] y pulsamos clic en el comando

desde Access.

(B)

Ubicamos la base de datos AdventureWorks.accdb en nuestro

computador y pulsamos clic en abrir.

(C) En el cuadro de diálogo emergente navegamos mediante el Scroll y

ubicamos la tabla solicitada: Production_ProductInventory, Clic enAceptar.

Figura 1. 3 Seleccionar la tabla en la base de datos

ontinúa…

Aquí aparecen

todas las tablas en

la base de datos

AdventureWorks

Scroll hasta

ubicar la tabla

Seleccionar la Tabla

Clic en el

botón Aceptar


7/19

6


(D) El cuadro de diálogo que aparece a continuación nos brinda la opción

de ubicar la tabla en un rango en específico, por ejemplo $D$1.

(E)

Clic en el botón Aceptar.

(F)

Ahora la tabla es exportada

Figura 1. 4 Exportar una tabla a un rango específico

Continuación

Figura 1. 5 Tabla Production_ProductInventory Importada en Excel

Asegúrese de que

la opción tabla este

seleccionada

Especifique la

celda desde

donde desea que

aparezca la tabla

Si los datos están preparados

puede crear directamente una tabla

o gráfico dinámico.

Si estás listo para

utilizar el corazón

de PowerPivot,

esta es la opción

Si el origen cambia,

podemos actualizar

esta tabla para que

detecte los cambios

utilizando el

comando actualizar

todo, que se

encuentra en la

pestaña DATOS o

simplemente

pulsando clic

derecho encima de la

tabla y actualizar


8/19


Ejemplo Archivo de Texto

Solución

Obtener Datos desde un CSV

E

Considere que tiene que importar los datos Abalone Data que se encuentran en

formato CSV

(A)

Vamos a obtener datos externos y pulsamos clic en el comando: DesdeTexto.

(B) Ubicamos el archivo CSV, para este caso Abalone.CSV y clic en

importar.

(C) En el cuadro de diálogo que aparece pulsamos clic en siguiente

asegurando de dejar la opción Delimitados activada. En el paso

siguiente deseleccionamos tabulación y seleccionamos Coma.

(D) Clic en siguiente y Finalizar.

(E)

Clic en Aceptar.

Figura 1. 6 Delimitado por comas

Ratifique que

únicamente la

casilla Coma este

seleccionada


9/19


10/19


Formato de Datos Tabular

El formato tabular es la manera de representar los datos en filas

y columnas; donde cada columna, denominada campo, tiene una

etiqueta que la define claramente. Cada fila, llamada registro,

representa un objeto en su totalidad. El formato tabular no tiene

etiquetas que agrupen filas, figura 1.7, ni filas vacías que

segmenten la tabla, ni tampoco cálculos predefinidos como

totales y subtotales.

Si bien la tabla puede contener datos vacíos, es recomendable que

se eviten, principalmente para no tener que manipular las funciones de

resume SUMA Y CUENTA en la creación de un reporte de tabla

dinámica. Filas figura 1.8 muestra el formato tabular.

Propiedades del formato tabular

Organización: Organización filas y columnas Claras.

Etiquetación: Etiquetas claras y bien definidas solo para columnas.

Entereza: Ausencia de filas vacías y columnas vacías.

Ausentismo: Ausencia total de cálculos prefinidos, sin totales ni

subtotales.

Categorización: Cada elemento de un campo de texto debe regirsepor subcategorías estándar, por ejemplo: Bogota y Bogotá son

diferentes por el acento en la letra a. Debido a esto siempre se

debe definir un estándar para que los elementos queden

uniformes.

No celdas vacías (Opcionales): Preferiblemente ninguna celda vacía

y definir estándares para aquellas que lo tienen. Esto es

especialmente útil para la creación de reportes de tabla dinámica.

Figura 1. 7 Formato no Tabular

Nombre Qj-Promedio

Sandra 0.6375988

Andrés 0.6759436

Dayana 0.5682193

Camilo 0.517822

Sonia 0.4521236

Alejandro 0.7808237Angélica 0.9155153

Carlos 0.3051751

Gina 0.1453039

Jorge 0.2177068

Natalia 0.9410365

David 0.298831

Tatiana 0.0053683

Victor 0.1470424

Valeria 0.1446448

Alvaro 0.2910655

Contabilidad

Servicioa

l

Cliente

Procesos

Por cada departamento, los

datos se segmentan

mediante una fila en blanco

Validación de Datos

Utilice validación de datos

cuando se recolectan los

datos, de esta manera

garantizar uniformidad.

Figura 1. 8 Formato Tabular

Nombre Qj-Promedio

Sandra 0.6375988

Andrés 0.6759436

Dayana 0.5682193

Camilo 0.517822

David 0.298831

Tatiana 0.0053683

Victor 0.1470424

Valeria 0.1446448

Alvaro 0.2910655


11/19

10


Tip Rápido: Para cambiar un conjunto de celdas vacías por

algún carácter o palabras estándar escogida a) seleccione lacolumna donde va a reemplazar b) pulse la combinación Ctrl +

I y clic en especial en el cuadro de diálogo que aparece c) Active

la opción Celdas en blanco en el cuadro de diálogo Ir as especial,

y aceptar d) pulse la tecla F2 e) digite el carácter o palabra y f)

pulse la combinación de teclas Ctrl + Enter.

Formato de Columnas Consistente

Cuando importamos datos numéricos a veces el separador

decimal y el separador de miles no coinciden, es decir, están

invertidos. Por ejemplo nuestro Excel puede que este

configurado para que lea los números de la siguiente manera:

147,456.99 mientras que en el origen de datos puede venirconfigurado de la siguiente forma: 147.456,99. Cuando esto

sucede Excel lo interpreta como texto. La solución a este

problema es bastante sencilla porque en el último paso de

importación podemos hacer clic en el botón Avanzadas y allí

especificar cuál es el separador decimal y el separador de miles.

Figura 1.9.

Figura 1. 9

Especificar separadores

Formato Igual

También cerciórese que

el formato aplicado a

uno y cada uno de los

datos en una columna

en particular sean

exactamente iguales.

Clic en el Botón

Avanzadas

Especifique los

se aradores.

Aceptar y

Finalizar.


12/19


Solución

Ejemplo Duplicados Eliminar registros duplicados

E

Eliminar Registros Duplicados

Si los datos son extraídos de múltiples fuente es probable que

existan filas duplicadas, las cuales no son deseadas para un

análisis porque inflan los resultados obteniendo conclusiones no

muy confiables, por lo anterior en la mayoría de la situaciones se

debe eliminar las filas duplicadas.

Veamos cómo hacer este sencillo procedimiento con un ejemplo

Imagine que tiene que eliminar las filas duplicadas en la tabla BeersScore en el

Archivo de Excel Beers. La figura 1.10 la muestra parcialmente

(A) Ubique la celda activa dentro de la tabla.

(B) Pestaña: [Datos] Grupo: [Herramientas de Datos] Comando: [Quitar

duplicados]

(C)

Clic en Aceptar.

(D) Opcional . Si solamente desea que la eliminación se lleve a cabo con

solo la coincidencia de algunas columnas, entonces, en el cuadro de

diálogo remover duplicados, que parece en el paso previo,

deselecciona las que columnas que no aplican.

Los valores duplicados son determinados por como se muestran y no

necesariamente como son almacenados, por ejemplo, los valores $20.53 y

20.53 no son considerados iguales.

Figura 1. 10 Tabla BeersScore

mostrada parcialmente. Esta tablacontiene filas duplicadas como es

el caso de la cerveza Guinness

ID Score Beer Price

6347 92 Guinness $20.35

5092 85 Samuel Adams Boston $5.73

7646 80 Sierra Nevada $11.61

7220 79 Blue Moon $13.96

7646 80 Sierra Nevada $11.61

6347 92 Guinness $20.35

1212 69 Fat Tire $5.03

1212 69 Fat Tire $5.03

7076 62 P ilsner Urquell $4.69

5115 60 Grolsch $12.70

7181 59 Budweiser $17.78

1212 69 Fat Tire $5.03


13/19

12


Tratamiento de Valores Faltantes

Los datos faltantes o valores faltantes ocurren cuando no se

tiene ninguna información acerca de ellos, por lo tanto son

completamente desconocido para nosotros. Los valores

faltantes aparecen porque no hay respuesta, porque es

ambiguo, porque la recolección de datos se hizo de manera

errónea, porque al momento de ingresar el dato se hizo de

manera inapropiada, etc.

Para abordar los valores faltantes podemos utilizar cualquiera

de las siguientes “técnicas”:

No manipulación

Imputación

Imputación Parcial

Eliminación

Full Analysis

Interpolación

Frecuentemente asumimos que no existen tales valores o

simplemente los trabajamos como un elementos distintos

desconocidos, sin embargo, pueden existir argumentos válidos

del porque estos valores estén ausentes, tal vez por decisión.

No Manipulación

Como su nombre lo indica, no se debe hacer nada con ellos y

llevar el acabo el análisis, esto puede ser porque la muestra sigue

siendo significativa o porque se va a llevar a cabo un análisis de

los valores faltantes.

Tipos de Datos

Faltantes

Entender la razón por la

cual hay valores

faltantes, facilita que tipo

de tratamiento abordar,

por ejemplo, si los datos

faltantes son aleatorios

,

entonces la muestra de

los datos sigue siendo

representativa para la

población. Por otra

parte, si lo datos

faltantes están ausentes

de manera sistemática,entonces sí que requiere

un análisis exhaustivo, y

todo esta temática es

acreedora de su propio

capítulo e incluso de su

propio libro.


14/19


15/19

14


Solución

E em lo Du licados

Por ejemplo: si se está recolectando información acerca de los

ingresos de los graduados en una universidad, podemos saberque los recién graduados son menos propensos a revelar su

salario, por lo que se pueden clasificar fácilmente estos salarios

en un intervalo previamente conocido y sustituir los faltantes

por dichos datos.

Tip Rápido: Para sustituir un conjunto de celdas que contienen

un carácter o frase especial a) seleccione el rango de celdasdonde va a reemplazar b) pulse la combinación Ctrl + B y clic en

la pestaña reemplazar en el cuadro de diálogo que aparece c)

En el cuadro de texto Buscar, digite la palabra o frase a

reemplazar, ejemplo: Desconocido d) En el cuadro de texto

reemplazar con, escriba el valor por el cual serán sustituidos los

valores e) Clic en el botón reemplazar todo.

Eliminación

La técnica de imputación más simple consiste en reducir el

tamaño de los datos, de la muestra, mediante la eliminación de

todas aquellas filas que contienen un valor faltante.

Eliminar registros duplicados

E

Suponga que sabe que los datos faltantes en la tabla Beers son aleatorios, dado

que son pocos faltantes lo que se pide es su eliminación completa. Figura 1.12

(A)

Convierta la tabla tabular en una tabla estructurada de Excel si esta noestá de esta forma. Pulse la combinación Ctrl + T y Aceptar.

ontinúa…


16/19


Tip Rápido: No es necesario convertir los datos en una tablaestructurada, lo importante es activar los filtros en los campos.

También puede utilizar la combinación de teclas Ctrl + Shift + L

para activar los autofiltros.

(B) Ubique el campo que contiene los valores faltantes, allí en la flecha de

selección despliegue las opciones y filtre todos los #N/A

Continuación

Figura 1. 13 Filtrar todos los valores faltantes, es decir los #N/A, Si utiliza otro carácter,

palabra o frase para denotarlos, entonces, debe filtrar el de su uso.

Filtrar por el

campo que

contiene los

valores faltantes

Filtrar los #N/A o

el carácter,

palabra o frase

que utilice para

denotarlos

ontinúa…


17/19

16


Full Analysis

Full analysis consiste en varios métodos que toman toda la

información disponible y mediante algoritmos iterativos

encuentra la mayor probabilidad de que un valor faltante

corresponda un datos especifico, hay que advertir que el estudio

de estos métodos esta por fuera de este artículo.

Interpolación

La interpolación es un método mediante el cual se crea o conoce

un dato basado en un conjunto discreto de puntos.

(C) Seleccione todas las filas que contienen valores nulos, pulse clic

derecho encima de las etiquetas de filas y clic en eliminar.

(D) Por último remueva el filtro (Ctrl+Shift+L). Así, habrá eliminado todos

los registros que contenían valores nulos en el campo Beer

Continuación

Clic en eliminar

Clic derecho

encima de

cualquier número

azul, con esto se

despliega el menú

contextual


18/19


=LIMPIAR(A1)

Eliminación de Espacios y Caracteres Especiales

Para evitarnos dificultades, es una buena práctica confirmar que

los datos no contienen espacios extras, dado que por ellos en una

comparación que de manera lógica deberían coincidir, no lo

hace. Por ejemplo Excel no es igual a Excel con un espacio al final,

esto porque el primero tiene 5 caracteres y el último 6 caracteres.

Hacer esta tarea es bastante fácil. La función ESPACIOS remuevetodos los espacios extra entre palabra y palabra dejando

únicamente un espacio. Por ejemplo si en la celda A1 tiene escrito

“Excel Free Blog”, donde se pueden notar múltiples espacios

entre palabra y palabra, y aplicamos:

=ESPACIOS(A1)

Entonces, retorna: “Excel Free Blog” con solo un espacio entre

palabra y palabra, sin espacios al principio ni al final.

También es necesario remover caracteres no imprimibles los

cuales no son fáciles de detectar, por ejemplo un dato importado

desde otra fuente pude contener TAB al final. Para remover estos

caracteres no imprimibles

Remover Espacios Extras

1.2

]

Remover Caracteres no

1.2]

Imprimibles

Estos cambios se deben realizar en columnas a parte y

luego copiar y pegar por valores para sustituir.


19/19

18


Consistencia Mayúsculas/Minúsculas

Es una buena práctica, hacer que los textos en las columnas

sean consistente en términos de mayúsculas y minúsculas. Para

lograr esta consistencia Excel brinda las siguientes funciones:

MAYUSC: Convierte el texto a mayúsculas.

MINUSC: Convierte a texto en minúsculas.

NOMPROPRIO: Convierte una cadena de texto en mayúsculas

o minúsculas según corresponda, la primera letra de cada.

Estos cambios se deben realizar en columnas a parte y

luego copiar y pegar por valores para sustituir.

Sumario

Importación

• La Importación de datos es el proceso de extraer datos

desde alguna instancia u origen que los contenga, los

cuales fueron creados con otro programa, o que pertenece

a versiones anti uas

• Directamente:

Hoja de Cálculo, Beses

dataos y Archivos texto

Limpieza

• Proceso de transformación de Raw Data a una estructura

consistente para que posteriormente sean analizados.

Tareas:

Formato de Datos Tabular

Formato de Columnas ConsistenteEliminar Registros Duplicados

Tratamiento de Valores Faltantes

Eliminación de Espacios y Caracteres Especiales

Consistencia Mayúscula/Minúscula

Valores Faltantes:

No manipulación

Imputación

Imputación Parcial

Eliminación

Full Analysis

Interpolación

Documents

Clase 01 Liempieza de Datos e Importaci n