Construir y ampliar un histórico de calidad

Crea un data frame plano y versionado con corridas producidas por medir() o evaluar(). acumular_historico() agrega objetos al mismo esquema y es idempotente cuando recibe otra vez registros idénticos, incluso si el RDS se guardó o se vuelve a leer bajo otro locale.

Usage

historico_calidad(..., detalle = c("resumen", "completo"))

acumular_historico(historico, ..., detalle = c("resumen", "completo"))

Arguments

...: Objetos medicion, evaluacion_calidad o historico_calidad. También puede darse una única lista que los contenga.
detalle: Para evaluaciones, "resumen" conserva los niveles de regla y perfil; "completo" conserva además cada evaluación de medida. Una medicion pasada explícitamente siempre se conserva completa.
historico: Objeto creado por historico_calidad().

Value

Data frame S3 historico_calidad. La columna version_esquema y el atributo del mismo nombre permiten migraciones futuras. nivel corresponde a medida, evaluacion_medida, evaluacion_regla o evaluacion_perfil; una métrica sin valores se conserva como metrica_no_evaluada con su motivo, siempre que la medición tenga al menos una medida. Una medida que una regla declaró desenlace = "suprimir" no publica su valor tampoco aquí: su fila deja resultado en NA y marca objeto_medible con [valor suprimido], en los dos niveles donde esa medida aparece —medida y evaluacion_medida—, porque esta tabla está pensada para exportarse. Con el detalle resumido, las medidas suprimidas entran igual, enmascaradas en el nivel evaluacion_medida: así una medición acumulada después —también sobre un histórico guardado o leído de un CSV— queda tapada en las mismas medidas, sea cual sea el orden en que llegan los objetos. Una medición enteramente vacía —ninguna métrica pudo aplicarse— no se acumula: se rechaza citando el motivo que medir() declaró en cobertura_metricas, porque no hay corrida que registrar. El atributo configuracion_evaluacion conserva, en una tabla plana separada, el modelo, su marco y sus tipos, la aplicabilidad, el perfil, la identidad de tabla y la fecha de cada corrida. Acumular una corrida con un id_medicion ya presente exige que todo eso coincida, la fecha incluida: dos entregas distintas son dos corridas, y el error nombra en qué difieren.

Details

El detalle predeterminado evita repetir una fila por celda y regla cuando el objetivo es monitorear la serie de evaluaciones. El objeto no guarda modelos, closures, datos originales ni perfiles de profiling. Esto mantiene la tabla exportable directamente con write.csv() o una herramienta de base de datos. Al volver a leerla, las fechas de texto se leen en UTC, con su hora.

[, subset() y dplyr::filter() conservan la configuración de las corridas que quedan; rbind() de dos históricos los acumula, como acumular_historico().

El esquema largo mapea las cuatro tablas de la sección 9.5 del marco mediante nivel. Las columnas que no corresponden a un nivel quedan como NA.

References

AGESIC (2020). Marco de trabajo para la Gestión de la Calidad de Datos en Gobierno Digital, versión 1.6, sección 9.5, Presidencia de la República, Uruguay.

Examples

nucleo <- metricas_nucleo()
instancia <- instanciar(especializar(nucleo$NoNulo), "personas", "edad")
medidas <- medir(
  modelo(instancia), data.frame(edad = c(20, NA)),
  id_medicion = "enero", fecha = as.POSIXct("2026-01-31", tz = "UTC")
)
evaluacion <- evaluar(
  medidas,
  perfil_evaluacion("Basico", regla_evaluacion("Presente", function(x) x > 0))
)
historico_calidad(medidas, evaluacion)
#>   version_esquema             nivel
#> 1               1            medida
#> 2               1            medida
#> 3               1  evaluacion_regla
#> 4               1 evaluacion_perfil
#>                                               id_registro
#> 1 =medida|=enero|~|~|=enero-NoNulo%40personas.edad-000001
#> 2 =medida|=enero|~|~|=enero-NoNulo%40personas.edad-000002
#> 3            =evaluacion_regla|=enero|=Basico|=Presente|~
#> 4                   =evaluacion_perfil|=enero|=Basico|~|~
#>                           id_medida id_medicion      fecha perfil    regla
#> 1 enero-NoNulo@personas.edad-000001       enero 2026-01-31   <NA>     <NA>
#> 2 enero-NoNulo@personas.edad-000002       enero 2026-01-31   <NA>     <NA>
#> 3                              <NA>       enero 2026-01-31 Basico Presente
#> 4                              <NA>       enero 2026-01-31 Basico     <NA>
#>   metrica metrica_especifica  metrica_instanciada   dimension   factor
#> 1  NoNulo             NoNulo NoNulo@personas.edad Completitud Densidad
#> 2  NoNulo             NoNulo NoNulo@personas.edad Completitud Densidad
#> 3    <NA>               <NA>                 <NA>        <NA>     <NA>
#> 4    <NA>               <NA>                 <NA>        <NA>     <NA>
#>        granularidad tipo_resultado  entidad atributo fila   objeto_medible
#> 1 instanciaAtributo       booleano personas     edad    1 personas$edad[1]
#> 2 instanciaAtributo       booleano personas     edad    2 personas$edad[2]
#> 3              <NA>           <NA>     <NA>     <NA>   NA             <NA>
#> 4              <NA>           <NA>     <NA>     <NA>   NA             <NA>
#>   n_elementos resultado agregacion
#> 1           1       1.0       <NA>
#> 2           1       0.0       <NA>
#> 3           2       0.5       <NA>
#> 4           1       0.5       <NA>