lupa • lupa

lupa es un conjunto de herramientas auditables para perfilar datos tabulares, definir qué significa calidad para un uso concreto, medirla, limpiar una copia sin cambiar la entrada en silencio y encontrar duplicados aproximados a escala. Cada resultado declara su alcance, evidencia e incertidumbre.

La API pública, la ayuda y las viñetas están en español. Los nombres son estables y se pueden copiar de esta guía; el README en inglés cuenta lo mismo para lectores que prefieren ese idioma.

🌎 Idioma de la API

Los nombres públicos son españoles tanto en los ejemplos como en la ayuda:

API en español	Significado en inglés
`perfilar()`	profile
`analizar()`	analyse
`marco_calidad()`	quality framework
`planificar_limpieza()`	plan a cleanup
`guiar_limpieza()`	guide a cleanup
`aplicar()`	apply a selected cleanup
`medir()` / `evaluar()`	measure / evaluate
`detectar_duplicados_aproximados()`	find approximate duplicates
`reportar()`	create a report

✨ Qué hace lupa

Perfila una entrega y muestra faltantes, tipos, patrones, fechas y evidencia de datos personales.
Encuentra claves, relaciones, dependencias y granularidades de medición que nunca fueron declaradas.
Permite que cada proyecto defina su marco de calidad, sin imponer un puntaje global.
Mide y evalúa métricas, escalas, reglas de validez y dominios referenciales explícitos.
Produce planes de limpieza editables, aplica sólo acciones elegidas sobre una copia y conserva un registro de auditoría.
Encuentra duplicados aproximados con teselas exactas, MinHash/LSH determinista, bloqueo, estimación previa del costo y lotes en disco.
Repara codificación dañada en R, incluido mojibake repetido y CESU-8, y rechaza conversiones con pérdida inseguras.
Sigue la calidad en el tiempo y crea informes HTML autocontenidos.

📦 Instalación

Hasta la primera publicación en CRAN, instalá la versión de desarrollo directamente desde GitHub:

# install.packages("pak")
pak::pak("sebollin/lupa")

Para un clon local o un tarball de la versión publicada, usá:

R CMD build .
R CMD INSTALL lupa_0.1.0.tar.gz

También se puede instalar un tarball local desde R:

install.packages("lupa_0.1.0.tar.gz", repos = NULL)

⚡ Inicio en cinco minutos

library(lupa)
data(datos_operativos)

perfil <- perfilar(datos_operativos, analizar_dependencias = FALSE)
head(perfil$hallazgos[, c("columna", "tipo_hallazgo", "severidad")], 5)

analisis <- analizar(datos_operativos)
archivo <- tempfile(fileext = ".html")
reportar(analisis, archivo = archivo)
stopifnot(file.exists(archivo))
unlink(archivo)

El perfilado es de sólo lectura: nunca cambia la tabla de entrada. Los hallazgos son data frames inspeccionables y la evidencia de datos personales se enmascara cuando la clasificación lo justifica. Abajo se ve una salida real de consola.

Salida capturada de perfilar()

🧭 Qué se puede hacer con lupa

La referencia de pkgdown y las viñetas enlazadas son el manual detallado. Esta tabla es el mapa breve:

Tarea	Funciones principales	Para leer más
Mirar los datos por primera vez	`perfilar()`, `analizar()`, `distribucion_valores()`, `detectar_asociaciones()`, `analizar_tiempo()`, `clasificar_variables()`, `inferir_tipo()`, `descubrir_patrones()`, `detectar_formatos_fecha()`, `sentinelas_naniar`	Empezar con lupa
Encontrar estructura no declarada	`detectar_claves()`, `detectar_relaciones()`, `detectar_dependencias()`, `granularidades()`, `transiciones_granularidad()`	Empezar con lupa
Definir la calidad	`marco_calidad()`, `marco_agesic()`, `marco_iso25012()`, `catalogo_agesic()`, `metrica()`, `especializar()`, `instanciar()`, `modelo()`, `metricas_nucleo()`, `metricas_referencial()`, `proponer_modelo()`, `modelo_desde_propuesta()`, `perfiles_madurez()`, `cobertura_analisis()`	Modelo de calidad
Medir y evaluar	`medir()`, `agregar()`, `evaluar()`, `regla_evaluacion()`, `perfil_evaluacion()`, `escala()`, `referencial()`, `vigencia()`	Modelo de calidad
Limpiar sin romper nada	`planificar_limpieza()`, `guiar_limpieza()`, `aplicar()`	Plan de limpieza
Encontrar duplicados aproximados	`detectar_duplicados_aproximados()`, `estimar_costo()`	Escala y duplicados
Reparar codificación dañada	`reparar_codificacion` mediante `planificar_limpieza()` y `aplicar()`	Referencia de limpieza
Seguir la calidad en el tiempo	`historico_calidad()`, `acumular_historico()`, `guardar_historico()`, `leer_historico()`, `detectar_deriva_calidad()`, `comparar_perfiles()`, `comparar_evaluaciones()`	Histórico y deriva
Compartir resultados	`reportar()`, `guardar_analisis()`, `leer_analisis()`	Referencia de informes
Validar y extender	`validadores_internacionales()`, `validadores_uruguay()`, `pack_validadores()`, `validar_ci_uy()`, `validar_rut_uy()`, `validar_luhn()`, `validar_mod97()`, `validar_iso3166()`, `validar_iso4217()`, `validar_correo()`	Referencia

library(lupa)
data(datos_operativos)
marco <- marco_calidad(
  "Marco operativo",
  list(Estructura = c("Ausencias observadas", "Duplicacion exacta"))
)
propuesta <- proponer_modelo(perfilar(datos_operativos,
                                      analizar_dependencias = FALSE))
list(marco = marco, propuesta = propuesta)

La API tiene algunos límites importantes. No hay un puntaje global: las dimensiones, unidades y reglas permanecen visibles. El núcleo es universal y los catálogos son enchufables; AGESIC v1.6 es una implementación de referencia, no un límite nacional. El paquete tiene un solo import obligatorio, cli; stringdist es opcional.

🔍 Dónde se ubica

skimr y DataExplorer exploran; pointblank, validate y dataquieR expresan o evalúan reglas; zoomerjoin, textreuse y reclin2 se enfocan en comparar texto o enlazar registros. calidad, mantenido por Klaus Lehmann y Ricardo Pizarro, es un eje complementario: evalúa la calidad de estimaciones de encuestas, mientras lupa evalúa los datos tabulares que producen una estimación.

La reparación de codificación sigue en R el enfoque y los datos congelados de ftfy 6.3.1, de Robyn Speer. Incluye once tablas de bytes, CESU-8, el caso Java C0 80 y cinco extensiones deliberadas documentadas en NEWS. Reproduce 159 de los 161 casos del corpus distribuido y deja intactos los 31 casos negativos. Deliberadamente no ofrece los pasos de estilo de fix_text de ftfy, como deshacer HTML, curvar comillas, normalizar ancho o normalizar Unicode: cambiar datos legítimos en silencio no es reparar.

📖 Cita y referencias

citation("lupa")

Las referencias conceptuales son Batini y Scannapieco (2016), el Marco de trabajo de AGESIC para la Gestión de la Calidad de Datos en Gobierno Digital v1.6 y ISO/IEC 25012:2008.

🤝 Contribuir y reportar

Usá el issue tracker para errores, propuestas y correcciones de documentación. Los contratos estables son las unidades declaradas, el alcance, la protección y el registro de auditoría; los detalles de implementación y los tiempos de benchmark pueden cambiar entre versiones mientras esos contratos sigan siendo ciertos.

📄 Licencia

lupa se distribuye bajo la GPL-3. Consultá LICENSE.note por los datos Apache-2.0 derivados de ftfy y los datos MIT derivados de naniar.