Registro de cambios • lupa

lupa 0.1.0

Reparación de texto y licencia

Clasifica los duplicados exactos comparando los textos que realmente entran a la medida, después de normalizarlos, y no mediante igualdad exacta de un flotante. Esto hace el resultado independiente de la arquitectura y mantiene como aproximado un par de textos distintos aunque soundex devuelva distancia cero.
Cierra el motor de reparación de texto: decode_inconsistent_utf8 trabaja por subcadenas con el detector de ftfy 6.3.1, conserva los estados parciales con U+FFFD y agrega tres extensiones deliberadas de badness sobre ftfy 6.3.1: la regla de inicio del issue #222, también discutida en el PR #232; la regla de caja que detecta mojibake de KOI8-R del issue #231; y la regla específica para â del issue #233. La tabla de bytes KOI8-R es la cuarta extensión y la puerta literal Ã para formas portuguesas y francesas es la quinta.
Incorpora un motor R puro para detectar y reparar mojibake en varias codificaciones, inspirado en el diseño y las tablas de ftfy 6.3.1 de Robyn Speer. Los resultados distinguen reparaciones completas, parciales y casos irrecuperables; los estados llegan al hallazgo, al plan y al registro.
Completa el port de las reglas de detección y de los transcodificadores de ftfy: las transformaciones de bytes se encadenan antes de decodificar, las pérdidas quedan como U+FFFD y estado reparado_parcialmente, y nunca se introduce un control invisible nuevo.
Completa restore_byte_a0 de ftfy 6.3.1: conserva la frontera de la palabra à, respeta las excepciones portuguesas y cubre las seis formas de bytes alterados, sin partir ni pegar palabras.
Conserva los espacios no separables y agrega el decodificador R puro de variantes UTF-8 de ftfy: combina pares CESU-8 y reconoce C0 80, e incorpora la tabla de bytes KOI8-R adicional, con los estados y pérdidas ya declarados.
Declara como quinta extensión deliberada la puerta adicional para la secuencia literal Ã, que conserva las formas portuguesas y francesas observadas en padrones; el decodificador de variantes rechaza secuencias que producirían un NUL, en vez de omitir un carácter al materializar el texto.
La licencia del paquete pasa de GPL-2 | GPL-3 a GPL-3; las partes derivadas del diseño de ftfy se atribuyen en LICENSE.note bajo Apache-2.0.
La estrategia nueva se registra como reparar_codificacion; se conserva reparar_codificacion_latin1 únicamente como alias para planes guardados.

Recursos de comparación

Fija por omisión en dos los hilos que stringdist puede usar en las comparaciones aproximadas y declara el valor efectivo en alcance.
El aviso interactivo del camino LSH identifica nucleos como la perilla que puede acortar la etapa de comparación, sin prometer una ganancia fija.
La viñeta de escala documenta el rendimiento observado entre dos y treinta y un hilos y deja explícito que después de dieciséis no hubo una mejora medida.
Documenta que el piso de tiempo de LSH cubre sólo la comparación de cadenas, no la firma, las cubetas ni el troceo; los resultados no dependen de la cantidad de hilos.
Actualiza las mediciones de escala para anotar la configuración de hilos y evita presentar tiempos dependientes de la máquina como cifras exactas.

Marcos declarables y alcance internacional

Incorpora validadores vectorizados de ISO 3166, ISO 4217, correo, Luhn y módulo 97, junto con un pack uruguayo de cédula y RUT. Los packs territoriales se pueden extender sin registrar estado global ni modificar el núcleo.
Separa clasificar de proteger datos personales: las formas numéricas poco discriminantes se informan sin suprimir estadísticos, mientras nombres semánticos, correos y documentos verificados conservan la protección.
Documenta los contratos de todos los puntos de extensión y añade propiedades_metrica() para consultar la configuración admitida sin inspeccionar closures.
Incorpora marco_iso25012() como adaptación opcional y explícita de las quince características de ISO/IEC 25012:2008.
Identifica el marco activo en cada fila de cobertura_analisis().
Permite declarar taxonomías dimensión-factor con marco_calidad(), validar modelos contra ellas y calcular cobertura con AGESIC sólo como valor de fábrica mediante marco_agesic().
Permite construir familias de madurez con nombres y umbrales propios sin cambiar los tres perfiles incluidos.
Hace que el vector de sentinelas numéricos sea una política completa: numeric() los desactiva explícitamente.
Reconoce coma y punto decimal, separadores de miles simétricos, símbolos monetarios y prefijos con forma de código ISO 4217.
Clasifica RUT, DNI y otros documentos con la etiqueta neutral documento_identidad.
Permite conectar packs personales territoriales al mismo clasificador de perfilar(), con tolerancia explícita de errores de digitación; los nombres semánticos (telefono, fecha_nacimiento, entre otros) conservan prioridad sobre formas numéricas genéricas.

Examinar datos

Protege los estadísticos de orden y cuantiles de columnas personales, marca cada supresión en el objeto y conserva alertas de plausibilidad para fechas de nacimiento sin publicar sus extremos.
Añade datos_operativos, un segundo conjunto sintético y neutral, reproducible desde data-raw/, con problemas de calidad sembrados.
Añade analizar() como puerta de entrada al recorrido descriptivo, con cobertura conceptual y advertencias de alcance en el propio objeto.
Incorpora distribuciones de valores acotadas, cuantiles, asociaciones de Pearson, V de Cramér y eta cuadrado, además de regularidad, duplicación, monotonicidad, cobertura, días de semana y huecos temporales.
Propone escalas de medición y roles sin confirmar lo que sólo se infiere de los valores; conserva niveles declarados, observados y ausentes.
Perfila tablas administrativas con métricas generales y por columna, proporciones en [0, 1] y hallazgos filtrables.
Descubre patrones de formato, tipos implícitos, formatos de fecha mixtos y ambiguos, años de dos dígitos, números regionales y problemas de codificación.
Detecta claves candidatas, relaciones, cobertura referencial, columnas y filas duplicadas, y dependencias funcionales exactas o aproximadas.
Conserva la ambigüedad día/mes con barra, guion y punto; reconoce fracciones de segundo y offsets ISO 8601.
Distingue NaN e infinitos, evita aproximar integer64 fuera del rango exacto de double y cuenta valores distintos en columnas de listas y geometrías.
Clasifica posibles datos personales sin juzgar su presencia y protege por defecto los valores concretos cuando la evidencia es discriminante.
Normaliza factores a texto sólo en la operación, conserva factor en el perfil y devuelve texto al transformar columnas factor con aplicar().
Mantiene claves históricas estables en R 3.6 y fija explícitamente en UTC las fechas convertidas desde Date.
Las claves históricas tratan el texto ilegible (UTF-8 inválido) como ausente: comparte con NA la marca ~, en vez de intentar codificarlo como texto literal.
Añade conteos explícitos de evaluados y afectados, con la unidad de conteo, a cada hallazgo; conserva NA cuando el alcance no permite conocerlos.
Añade trazabilidad acotada por hallazgo mediante índices de fila, con estados explícitos para lo disponible, truncado, no aplicable y no disponible; el reporte resume el estado sin imprimir los índices.

Medir y evaluar calidad

Declara métricas genéricas, específicas e instanciadas con tipo de resultado y granularidad explícitos.
Incluye veintiuna métricas automatizables, tres métricas tabulares basadas en referenciales y una correspondencia verificable con las 49 entradas del catálogo de AGESIC.
Separa en el catálogo la disponibilidad de cada métrica de la causa o el matiz de esa disponibilidad, y documenta las 49 correspondencias sin vacíos.
Ajusta las métricas oficiales de oportunidad al resultado booleano del marco y conserva la fórmula continua del curso CPAP bajo nombres GradoOportunidad*.
Incorpora contratos explícitos vigencia() y escala(), y una tabla de cobertura que distingue lo medido, no declarado, no aplicable y fuera de alcance.
Implementa las cuatro agregaciones del marco y la cadena de evaluación de medidas, reglas y perfiles de madurez. No calcula un índice global.
Propone modelos editables a partir del perfil sin convertir observaciones de una sola entrega en requisitos silenciosos.
Estima el costo antes de comparar, aplica un presupuesto de pares en los caminos exhaustivo y LSH, y publica el alcance de la estimación.
Incorpora MinHash y LSH deterministas para generar candidatos a escala, con deduplicación por banda, garantía declarada y degradación explícita.
Permite bloquear por una columna elegida por el usuario y estima los pares que el bloqueo puede dejar fuera, incluidos los ausentes como bloque propio.

Mejorar y monitorear

Construye planes de limpieza editables con alternativas mutuamente excluyentes, justificación, modo guiado opcional y consentimiento adicional para eliminaciones.
Aplica sólo acciones activas sobre una copia, conserva un registro y permite imputaciones confirmadas mediante dependencias funcionales exactas.
Acumula evaluaciones en un histórico plano y versionado; detecta deriva del modelo y cambios estructurales entre perfiles.
Procesa comparaciones exhaustivas por lotes con parciales en un directorio declarado, cruza los lotes sin pérdida de pares y deja constancia de que no son reanudables.

Informar

Guarda y recupera análisis versionados sin datos de entrada por omisión y sin serializar entornos completos de reglas funcionales.
Genera un único HTML autocontenido, en español, sin navegador, LaTeX ni recursos externos; los valores se escapan y la evidencia personal se enmascara por defecto.