Skip to contents

Examina un data.frame, tibble o data.table y devuelve estadísticas generales, métricas por columna, patrones, formatos de fecha y hallazgos accionables. Todas las proporciones se expresan en [0, 1].

Usage

perfilar(
  datos,
  nombre = .nombre_de_los_datos(substitute(datos)),
  fecha = Sys.time(),
  muestra = 1e+05,
  max_patrones = 20,
  distinguir_mayusculas = TRUE,
  expandir = FALSE,
  umbral_alta_cardinalidad = 0.5,
  umbral_faltantes_sospechoso = 0.1,
  clave = NULL,
  umbral_faltantes_error = 0.4,
  umbral_patron_raro = 0.05,
  umbral_patron_dominante = 0.5,
  columnas_sin_ceros = character(),
  columnas_no_negativas = character(),
  columnas_opcionales = character(),
  columnas_codigo = character(),
  aplicabilidad = NULL,
  ausencia_estructural = TRUE,
  sentinelas_numericos = c(-9, -99, -999, -9999, 999),
  cadenas_ausencia = NULL,
  analizar_dependencias = TRUE,
  umbral_dependencia = 0.995,
  umbral_casi_clave_dependencia = 0.8,
  max_columnas_dependencias = 100L,
  datos_personales_permitidos = TRUE,
  proteger_datos_personales = FALSE,
  columnas_personales = character(),
  validadores_personales = NULL,
  umbral_documento_verificado = 0.9,
  muestra_validadores = 1000L,
  duplicados_aproximados = FALSE,
  normalizar = TRUE,
  max_filas_hallazgo = 1000L,
  umbral_orden_columnas = 0.95,
  max_columnas_orden = 20L,
  umbral_solapamiento_orden = 0.1,
  umbral_aritmetica = 0.9,
  min_filas_aritmetica = 3L,
  tolerancia_aritmetica = 1e-08,
  max_columnas_aritmetica = 20L,
  casi_duplicados_vocabulario = TRUE,
  max_proporcion_grupo_vocabulario = 0.5,
  umbral_variante_rara_vocabulario = 0.05,
  min_asimetria_vocabulario_corto = 10,
  min_asimetria_vocabulario = 2,
  min_participacion_dominante_vocabulario_corto = 0.5,
  variantes_equifrecuentes_vocabulario = FALSE,
  max_asimetria_equifrecuente_vocabulario = 2,
  max_comparaciones_dependencias = 200000L,
  max_trabajo_vocabulario = 2e+10,
  max_trabajo_dependencias = 1e+08,
  max_largo_valor_vocabulario = .MAX_LARGO_VALOR_CASI_DUPLICADOS,
  max_celdas_muestra = .MAX_CELDAS_MUESTRA,
  max_bytes_muestra = .MAX_BYTES_MUESTRA,
  avisar_costo_tabla_ancha = TRUE,
  umbral_celdas_aviso_tabla_ancha = .UMBRAL_CELDAS_AVISO_TABLA_ANCHA
)

Arguments

datos

Objeto que hereda de data.frame —tibble y data.table entran por ahí— o una matriz de dos dimensiones, que se convierte con as.data.frame(). La conversión queda declarada en meta$entrada_convertida para que el perfil no aparente haber recibido lo que no recibió.

nombre

Nombre descriptivo del objeto: una cadena no vacía.

fecha

Fecha y hora de la corrida. Se puede fijar para construir series reproducibles; se normaliza a UTC.

muestra

Máximo de filas usadas para patrones, inferencia de tipos, formatos de fecha y dependencias funcionales. Use Inf para analizar todas las filas en esos análisis. La muestra se toma por posición, así que en una tabla de más filas lo que se mide sobre ella depende del orden de las filas: la misma tabla leída de una base sin ORDER BY puede dar dos perfiles distintos en dos lecturas. Para un perfil reproducible, leerla ordenada por una clave.

max_patrones

Máximo de patrones mostrados por columna.

distinguir_mayusculas

Si se distinguen mayúsculas y minúsculas.

expandir

Si se emite un token por carácter en los patrones.

umbral_alta_cardinalidad

Umbral sobre la tasa de valores distintos de una columna categórica. No alcanza por sí solo: el hallazgo exige además al menos diez valores distintos, porque con pocos la tasa está dominada por el tamaño de la tabla —dos valores en tres filas dan 0,67 y superan cualquier umbral razonable— y una columna de dos valores no puede tener cardinalidad alta.

umbral_faltantes_sospechoso

Umbral inferior de faltantes. El hallazgo se activa al superarlo en sentido estricto.

clave

Nombres de las columnas que identifican una fila. Cuando se declaran, la trazabilidad de cada hallazgo trae además el valor de esas columnas para las filas señaladas, de modo que el caso se pueda verificar en el sistema de origen sin abrir la tabla. El índice de fila se conserva siempre. La clave declarada se trata como sensible: si la protección de datos personales está activa y alguna de esas columnas se clasifica como personal, sus valores salen enmascarados igual que la evidencia. La comprobación de una clave tiene dos ejes independientes: meta$clave$unicidad comprueba si sus combinaciones son únicas con la semántica de R, y meta$clave$ausencia_nulos comprueba que sus componentes no tengan valores ausentes. Cada eje declara verificada, refutada o no_verificada; una clave con ambos ejes verificados conserva exactamente el objeto histórico y no agrega metadatos. Cuando un eje falla o no se puede comprobar, meta$clave$trazabilidad explica que la localización agrupa con la semántica de R, incluso si el motor SQL trata dos NULL como distintos. hallazgos separa esos ejes: clave_con_ausentes enumera las filas que impiden la garantía NOT NULL, mientras clave_no_unica sólo informa repeticiones entre filas con la clave completa, el mismo universo que meta$clave$unicidad.

umbral_faltantes_error

Umbral por encima del cual los faltantes son un error; la igualdad conserva la severidad sospechosa.

umbral_patron_raro

Máxima frecuencia de un patrón raro. La frontera es inclusiva: un patrón no dominante con exactamente esa proporción es raro, y sólo los que la superan quedan excluidos.

umbral_patron_dominante

Frecuencia mínima del patrón dominante.

columnas_sin_ceros

Nombres de columnas donde cero no es admisible.

columnas_no_negativas

Nombres de columnas que deben ser no negativas.

columnas_opcionales

Nombres de columnas donde la ausencia no es un defecto. Su universo de completitud son las celdas presentes, y cobertura_diagnosticos declara el recorte. Sirve para el vacío por diseño: un historial con vigencia abierta, una columna que sólo corresponde a algunas filas. La declaración queda en meta$columnas_opcionales —comparar_perfiles() declara su cambio entre dos corridas con la fila configuracion_columnas_opcionales, porque los faltantes de esas columnas pasan a contarse sobre otro universo—, y la NoNulo que proponer_modelo() propone para la columna —cuando tiene faltantes disfrazados— se mide sobre el mismo universo (opcional = TRUE).

columnas_codigo

Nombres de columnas que son códigos, no magnitudes: un código de catálogo, un departamento numerado, una clave foránea. El paquete no los distingue por su forma de una magnitud entera que llenó su rango —una edad de 18 a 90 repite valores igual que un código de 1 a 284—, así que sin la declaración los mide como magnitudes. Una columna declarada se perfila por sus valores y no recibe lo que sólo tiene sentido sobre una magnitud: ni límites de Tukey (n_outliers en NA, sin hallazgo outliers ni posible_centinela_numerico), ni la ley de Benford, ni relaciones aritméticas con otras columnas (relacion_aritmetica_columnas), ni media, mediana y desvio, que quedan en NA con estado_resumen_cuantitativo = "omitidos_codigo". Lo que no se evaluó se declara en cobertura_diagnosticos con el motivo. Conserva lo que describe sus valores: minimo y maximo —el tramo de códigos observado, donde aparece un código fuera de catálogo—, moda, n_distintos, los conteos y los faltantes disfrazados. Vale igual por todas las vías que aceptan las declaraciones de perfilar(): perfilar_dbi() —también en su resumen_tabla—, perfilar_por(), perfilar_coleccion() y analizar() por argumentos_perfil. Vale también para el código guardado como texto o como factor, que el paquete lee como número —y ese código no recibe los hallazgos que lo leen como una cantidad escrita como texto y piden convertirlo: ni tipo_declarado_distinto, ni numero_como_texto (un rubro "1.1", un "10,5"), ni unidades_mixtas o monedas_mixtas; tampoco planificar_limpieza() le propone una acción que lo convierta en número—; el resumen de una columna sin resumen numérico —texto que no se lee como número, fechas— no cambia, porque no tiene esas cifras. Un nombre que la tabla no tiene es un error. Dentro de analizar() la declaración llega también a variables —escala nominal, rol categoria, confirmada— y a asociaciones, donde el código se asocia como categoría (eta cuadrado o V de Cramér) y no con una correlación que supone una magnitud. En perfilar_dbi(), la corroboración entre resumen_tabla y perfil_muestra no compara la media, la mediana ni el desvío de una columna declarada: no se calculan. En perfilar_coleccion() la declaración vale igual para todas las tablas: una tabla que no tiene la columna declarada no se perfila (limitación conocida; ver la ayuda de esa función).

aplicabilidad

Lista con nombre por columna, donde cada elemento es una fórmula de un solo lado evaluada sobre datos — por ejemplo list(marca_auto = ~ tiene_auto == "Si"). Las filas donde el predicado no se cumple salen del universo de esa columna: no cuentan como ausencia. Las filas donde el predicado no se puede determinar se declaran aparte, sin contarse ni como aplicables ni como no aplicables. Un valor presente fuera del universo produce el hallazgo valor_fuera_de_aplicabilidad, que es el error simétrico y no tiene otra forma de aparecer. Las filas fuera del universo —y las indeterminadas— salen también de la ley de Benford y de las relaciones aritméticas, con la misma máscara que usa el resumen.

lupa no infiere el universo: si nadie lo declara, toda la columna aplica y el resultado es el de siempre. Declararlo es lo que distingue el vacío por diseño del vacío por error, y sin esa distinción una tabla sana puede informar completitud baja siendo completa.

Hasta dónde llega el universo. Gobierna todo el perfilado: los conteos, las proporciones, los hallazgos y las acciones que propone planificar_limpieza(). Medido sobre una columna condicionada de mil filas con universo de trescientas, treinta de ellas vacías: declarándolo, la proporción de faltantes es 0,100, no hay hallazgo y el plan no propone nada; sin declararlo son 0,730, sale faltantes y el plan propone dos acciones.

El universo tambien llega a la limpieza. El perfil guarda la regla, el plan la lleva y aplicar() no toca las celdas que quedan fuera: una S/D en una fila donde la columna no corresponde no se convierte en ausencia, y las acciones que marcan o eliminan filas solo consideran ese universo. Si la regla da un valor indeterminado, la celda tampoco se toca. Las conversiones de tipo son la excepción, porque una columna tiene un solo tipo y no se puede convertir a medias: el plan declara en n_afectadas y en la justificación que cambia la columna entera. Si el plan se aplica a otros datos donde la regla no se puede evaluar, la acción falla y lo dice, en vez de operar sobre toda la columna.

La medición contra un marco recibe la misma declaración: medir() acepta aplicabilidad y recorta las filas antes de medir, así que el histórico y la deriva —que consumen mediciones, no perfiles— heredan el número correcto. El aplicabilidad de marco_calidad() es otra cosa: dice si un factor aplica a datos temporales o geométricos, no qué filas entran al universo.

ausencia_estructural

Si se busca evidencia de que la ausencia de una columna es por diseño. lupa no infiere el universo ni lo cambia por su cuenta, pero declarar aplicabilidad exige saber que existe: quien perfila una tabla con columnas condicionadas sin declarar nada recibe el mismo informe engañoso que si el vacío fuera un defecto. Con TRUE, cuando el valor de otra columna decide qué filas tienen ésta, o cuando dos columnas se reparten las filas sin pisarse, se emite posible_ausencia_estructural con severidad ok, la evidencia medida y la línea exacta que habría que escribir para declararlo. Un umbral se busca primero sobre un corte cada medio por ciento de la columna y después se refina entre todos los valores observados de ese tramo, así que el corte publicado es el primer valor observado del lado donde la columna corresponde. La línea no depende de la sesión: un instante se escribe con su zona (tz) —la de la columna, o UTC si no declara ninguna— y un número, con punto decimal y las cifras que hacen falta para volver al valor, cualquiera sea OutDec. n_evaluados cuenta las ausencias de la columna y n_afectados las que la regla explica: las que caen donde la columna no corresponde, sin contar las filas donde el determinante falta. Sugiere; no decide. Las columnas ya declaradas quedan fuera del examen. La regla tiene que cumplirse en al menos el 99 % de las filas: una que un solo caso rompe por debajo de ese corte no se publica, porque ofrecer la línea para declararla sería afirmar de más.

Con el mismo argumento viaja regla_silencia_ausencia, también ok: avisa cuando una columna declarada opcional o con universo propio sigue casi vacía dentro de ese universo. La declaración funcionó y por eso el perfil salió limpio; el aviso existe para que eso sea una decisión y no un efecto.

sentinelas_numericos

Vector completo de valores numéricos que se interpretan como ausencia. Se normaliza como un conjunto numérico, por lo que el orden, el tipo entero o doble y los duplicados no cambian el resultado. numeric() los desactiva; las cadenas de ausencia se siguen evaluando por separado.

La lista por omisión es una sospecha del paquete y se aplica con una reserva: un valor de esa lista que aparece una sola vez y cae dentro del rango de los demás valores de la columna no se señala, porque una aparición única es un número y no una convención de ausencia. Un 999 suelto dentro de un catálogo de 1 a 3000 no se acusa; el mismo 999 repetido, o un -9 fuera del rango, sí.

La reserva sólo rige para la lista por omisión. Si usted declara sus propios valores —o pide sentinelas_naniar, que es optar por una heurística más ancha—, se cuentan todos, incluida la aparición única. Ésa es también la forma de recuperar el caso que la reserva calla: declarar el valor lo vuelve a contar y además lo saca de los estadísticos del resumen, de la ley de Benford, de las relaciones aritméticas, de las dependencias funcionales y de las asociaciones que se calculen con analizar(). En estas relaciones la fila que contiene el valor declarado no se evalúa.

En una columna de texto, una celda es el centinela si el número que escribe, leído con la convención de la columna (signo, ceros a la izquierda, miles, marca decimal, exponente), es exactamente el valor declarado, o si tiene a lo sumo 17 cifras significativas y R lo lee como ese valor: "-999", "-999.0" y "-9.99e2" son el mismo centinela en toda plataforma. Un texto con más cifras de las que distingue un doble sólo es el centinela si lo escribe exacto.

cadenas_ausencia

Cadenas que el usuario declara como ausencia, además de la lista incorporada. Lo declarado atraviesa la guarda del vocabulario: sd, nc y nd sólo cuentan solas en columnas de pocos valores distintos —para no acusar a un código de dos letras—, y declararlas las hace contar siempre. Es el equivalente textual de sentinelas_numericos. Como la lista incorporada, se comparan sin los blancos de los bordes y sin distinguir mayúsculas, con el pliegue de caja de normalizacion(): SIN INFORMACIÓN es sin información en cualquier locale.

analizar_dependencias

Si se buscan dependencias funcionales entre pares de columnas. Se aplica una sola muestra común a toda la tabla. Una dependencia publicada que no es exacta es además el hallazgo relacion_funcional_columnas, con las filas que la rompen.

umbral_dependencia

Cumplimiento mínimo para informar una dependencia. Una informada con cumplimiento menor que 1 es también un hallazgo relacion_funcional_columnas.

umbral_casi_clave_dependencia

Tasa de valores distintos a partir de la cual un determinante se descarta como casi-clave antes de agrupar.

max_columnas_dependencias

Máximo de columnas que intervienen en la búsqueda, cuyo costo crece cuadráticamente.

datos_personales_permitidos

Si la entrega admite datos personales. El valor predeterminado no juzga su presencia: la clasificación se informa con severidad "ok". Use FALSE sólo cuando el contrato de la entrega declare que no deben existir.

proteger_datos_personales

Si se reemplazan modas, ejemplos, evidencia y estadísticos de orden concretos cuando poder_discriminante es medio, alto o verificado. Las clasificaciones débiles se conservan como aviso pero no suprimen estadísticos, ni la magnitud de Benford, ni la evidencia de sus hallazgos: en ella se tapan sólo sus valores. Es FALSE por omisión: la protección es un complemento que se pide, y publicar o no los valores de una base es decisión de quien la usa. La clasificación de posibles datos personales corre igual —es un diagnóstico— y lo que se pide es el enmascarado. reportar() tiene su propia protección, que también se pide. El enmascarado es por columna: se reemplaza lo que describe a una columna protegida —su moda, sus estadísticos, sus ejemplos y la evidencia de sus hallazgos—, no todas las apariciones de ese texto en la salida. Un valor puede ser vocabulario compartido: "S/D" es un centinela de una cédula y a la vez el «sin dato» de sexo, y publicarlo en sexo no revela nada de la cédula. Lo que no tiene columna a la que atribuirse sí se enmascara en toda la salida: un hallazgo de filas duplicadas muestra filas enteras, y los componentes que describen la tabla —general, la cobertura, los formatos de fecha— no son de ninguna columna en particular. Los nombres de columna nunca se enmascaran, aunque un valor protegido aparezca dentro de uno: un nombre es estructura, existía antes y aparte del dato, y el paquete lo necesita para cruzar el perfil con los datos. Si se enmascararan, fecha_nacimiento saldría publicada como fecha_[valor protegido], y planificar_limpieza() y analizar() abortarían porque los nombres del perfil no coincidirían con los de los datos. Un campo se reconoce como de nombres por su contenido —todos sus valores son nombres de la entrada, solos o unidos—, así que la protección de los valores no se afloja: si un valor protegido es igual a un nombre de columna —una planilla pivoteada con una columna de notas por docente y la docente protegida—, su moda sigue tapada, y también los ejemplos de sus patrones, sus niveles observados y la configuración propuesta: un campo hecho de nombres que son valores protegidos es un campo de valores. Salvo donde el campo refiere columnas —columna, columna_1 y columna_2 de las columnas duplicadas, eliminar, determinante, dependiente, nombres_propuestos y los demás de su clase—: ahí el nombre es estructura y el plan lo necesita para ejecutar, también cuando el campo lo mezcla con la tabla —objeto dice (tabla) en las medidas que no son de una columna— o lo escribe detrás de un prefijo del paquete —el origen dependencia_funcional:curso->turno de la propuesta de analizar()—. Un nombre suelto en un campo que también lleva valores —el mapa de una imputación— se sigue tapando, aunque todos los valores del mapa sean nombres de columna: sus determinante y dependiente son valores de las dos columnas, y aplicar() lo resuelve sobre los datos que recibe. El texto del usuario que llega a un campo de vocabulario —la unidad de una columna, que es su atributo units— no se ampara en el vocabulario: un valor protegido entre límites de palabra se tapa, y una palabra del paquete —faltantes, segundos— sigue siendo vocabulario aunque un valor protegido coincida con ella. Y un texto que nombra una columna entre comillas —la prosa del paquete, la SQL que guarda perfilar_dbi()— la conserva entera: con «Segundo» protegido, segundo_nombre se publica tal cual —y no como [valor protegido]_nombre— en los hallazgos sin acción del plan y en la SQL. Lo mismo los nombres que el paquete deriva de un nombre de columna: el que propone el plan en nombres_propuestos —con make.names() y en snake_case— y las marcas .ausente_<nombre> y .outlier_<nombre> que crean sus acciones. Barridos como texto de los datos, con «Segundo» protegido en Primer Nombre la evidencia diría "Segundo Nombre" -> "[valor protegido].Nombre", el plan propondría ese nombre y aplicar() se lo pondría a la columna en los datos del usuario. Un nombre que es él mismo un valor protegido, con otra caja, otros separadores, tildes o codificación, no se exceptúa —salvo citado en la SQL que guarda perfilar_dbi(), donde es un identificador y se publica igual en columnas$columna: tapado, taparía las sentencias enteras del lote—. Y un valor protegido que contiene un nombre de columna —el correo juan_perez@empresa.com.uy con una columna juan_perez— se busca entero, con cualquier caja, antes de apartar el nombre: se tapa el correo y no su dominio ni el correo de otra persona, y los nombres que siguen en el texto quedan cada uno en su lugar. Lo mismo vale para el vocabulario: un tipo de hallazgo, una severidad, una estrategia, el nombre de un diagnóstico o de una métrica, o el de un factor de un marco que declaró el usuario, no se enmascaran aunque coincidan con un valor protegido o lo contengan. El principio es el de los nombres de columna: son estructura, no salen de las celdas, y publicarlos no dice nada de ninguna fila —el tipo constante aparece porque otra columna es constante, no porque alguien se apellide así—. Si el vocabulario se enmascarara, un nombre de persona contenido en faltantes_disfrazados dejaría los hallazgos con el tipo [valor protegido] y el plan sin ninguna acción para ellos. La regla es por campo y por contenido: un campo cuyos valores son todos vocabulario del propio objeto queda afuera, uno que mezcla no. Ese alcance tiene un piso: un valor de una columna protegida que identifique —seis caracteres o más, el mismo corte con el que la batería de fugas decide qué cuenta como filtración— no se publica en ninguna parte, tenga o no columna a la que atribuirse, y también en los campos numéricos. Sin ese piso, una columna que el clasificador no marcó publicaría los documentos de la protegida con sólo repetirlos: una copia con nombre neutro, un texto libre que los contuviera, o los estadísticos de orden de una columna clasificada con poder discriminante debil. Una columna que copia los documentos protegidos sin su verificador —la cédula 4.685.467-9 de cada fila guardada como el entero 4685467, o como texto, en una columna de nombre neutro; también el texto con los decimales que deja una planilla, "4685467.0" o "4.685.467,00", con signo o en notación científica ("+4685467.0", "4685467e0"), que se compara por el número que el paquete lee en él, con la misma lectura que el resumen, o con espacios de miles y una parte decimal de ceros ("4 685 467.0"); un texto con centavos que no son cero no es un documento— se protege entera, como una columna personal: se clasifica documento_identidad con poder alto cuando al menos tres de sus valores distintos son el documento sin su verificador de un valor protegido —con la regla de los textos, ver abajo; también la cédula de seis cifras, 854321 de "854.321-2": sin ella, una sola entre las de siete dejaría publicar la columna—, son el 90 % de sus distintos —el umbral de verificado, que tolera tipeos aislados— y tantos no coinciden por azar con la densidad de esos documentos en el rango de la columna —una probabilidad binomial menor que una en un millón—. Sin protegerla, publicaría sus dos extremos, que son dos cédulas. La regla es por columna y no por valor: una columna que coincide por azar —uno de cada cinco importes de siete cifras coincide con un documento sin verificador frente a un millón de cédulas, y hasta tres de cada cuatro frente a cuatro millones— publica sus extremos aunque coincidan. Medido en data-raw/medir_tapado_de_mas.R sobre 400 columnas por familia, con uno y con cuatro millones de cédulas protegidas: no se protege ninguna columna de importes de siete cifras —tampoco redondeados a miles, con 10, 50 o 500 valores distintos, aunque por azar coincidan todos— ni de enteros de ocho cifras, y sí todas las copias de 50 valores distintos o más; con el 10 % de tipeos, todas frente a un millón y la mitad frente a cuatro. Una copia de pocos valores distintos frente a muchos documentos —tres, o diez frente a cuatro millones— no se distingue del azar y publica sus extremos; tampoco una copia con más del 10 % de otros valores. Y la regla compara contra los documentos protegidos: sin la columna de la que copia —la tabla de pagos perfilada sin la de personas, fuera de una colección con perfiles conservados— una columna de siete cifras no se distingue de un importe y publica sus extremos. El vocabulario corto no entra en el piso: "S/D" sigue publicándose donde describe a una columna que no es personal. Tampoco los rellenos de una columna protegida, que ocupan el lugar de un dato y no son el de nadie: el que no tiene letras ni dígitos ("------"), y el dígito repetido que se repite cinco veces o más en una columna que sin él es casi una clave —cuarenta "99999999" entre cédulas que no se repiten—. En el piso taparían la moda, el mínimo, la mediana y el máximo de un monto con su propio 99999999. Donde el documento se repite —una tabla de movimientos— el dígito repetido sigue en el piso: 2.222.222-2 es una cédula válida. Fuera del piso no quiere decir publicados en la columna protegida: su moda, sus ejemplos y los parámetros del plan sobre ella los siguen tapando, y un centinela que el usuario declaró en sentinelas_numericos y aparece en una columna protegida —también como su relleno— sigue en el piso. Sin los datos, el declarado entra siempre, porque no se sabe de qué columna es; con ellos, el que no aparece en ninguna protegida no entra: si entrara, se taparía a sí mismo en meta y la acción que lo convierte en un monto quedaría sin efecto sin proteger nada. El piso tiene una excepción declarada, y es la única: perfilar_por() agrupando por una columna personal publica sus valores como etiquetas de grupo, porque la etiqueta es el eje del resultado y sin ella los grupos no se distinguen. Lo mismo cuando la columna de agrupación no es personal pero alguna etiqueta contiene un valor protegido de otra columna. No ocurre en silencio —avisa al ejecutar y lo declara en etiquetas_personales— y el remedio es agrupar por una columna seudonimizada. El piso alcanza además la forma sin separadores: "771.771-01" es el mismo documento que "77177101", y la celda entera se enmascara. En los dígitos se busca el documento en cada número del texto, con cualquier agrupación: un número une grupos de dígitos con espacios, guiones o puntos —también con un espacio a cada lado—, y con barras, comas sin espacio, apóstrofos, signos más, puntos medios o paréntesis pegados, y se tapa la celda si grupos contiguos forman un documento protegido —"2901 1234", "099 12 34 56", "(2) 487 1234", "4111 1111 1111 1111", "01.23.45.67.89"—, también con ceros a la izquierda, con los guiones, espacios e invisibles de Unicode —las marcas combinantes, los ignorables y los caracteres de control también—, con los parecidos más comunes del punto, la coma, la barra y el apóstrofo —el acento agudo que el teclado en español pone por apóstrofo—, con la raya o el apóstrofo de un CSV de Windows leído como latin1, o escrito con dígitos arábigo-índicos, persas o devanagari. El teléfono uruguayo con su prefijo de país —"598" o "00598" y ocho cifras que empiezan con 2, 4 o 9: "+598 2901 1234", "00598 99 123 456" o pegado, "+59899123456", como lo escriben los enlaces de WhatsApp y las exportaciones de un CRM— se prueba por su parte nacional, como si estuviera escrito solo, y entero; el prefijo no se une a otro grupo. También cuando va pegado a otro número por una barra o un guion —"+59899123456/+59899765432", "29011234/+59899123456"—: cada número con esa forma se prueba por su parte nacional. Y el celular protegido guardado con el prefijo se reconoce escrito sin él, también guardado como número de planilla —"59899123456.0", "59899123456,0" o "5.9899123456E+10", la misma cifra, con cualquier cantidad de ceros —"59899123456.0000", como lo deja un DECIMAL(15,4)—, con cualquier exponente —"5.9899123456e+010", como lo escribe el printf de Windows, también con un espacio antes, "5.9899123456 e+10"— y con separador de miles, como lo muestra el formato "Número" de una planilla —"59.899.123.456", "59,899,123,456.00", "59 899 123 456,00", "59'899'123'456", con el punto medio o sus parecidos —el operador viñeta, el punto medio katakana: cualquier signo que une los grupos de un número— o con el agrupado indio, "59,89,91,23,456": todas las escrituras dan la misma cifra entera—, y al revés: escrito así en un texto se lee por su parte nacional, que sale de esa cifra y no de los grupos como vienen. La cifra escrita así es el documento entero, no el parcial: el importe redondo "5460537.00" no se lee como un documento sin su verificador. No unen los parecidos raros: la prima de una coordenada sexagesimal, el acento grave, la tilde. Los dos puntos y la barra vertical no unen: una razón "494:2714" o una lista "12|345|6789" no es un documento, y un documento escrito así no se reconoce. Una fecha con hora protegida se reconoce escrita con T, Z, uno a tres espacios, coma, punto y coma, guion o guion doble, guion bajo, barra, barra vertical, arroba, paréntesis o corchete entre la fecha y la hora, con día y mes en cualquier orden, con la hora separada por puntos, guiones o h y m ("21h24m25s"), en la forma compacta "20240627T212425" o con la hora compacta tras la fecha con separadores ("2024-06-27T212425"); no en palabras, con a.m./p.m., con cuatro espacios o más ni con el año en dos cifras —también con las formas chicas o de ancho completo de esos signos, o con la barra partida por barra vertical—. El documento parcial, de siete cifras o más, se busca con más cuidado porque es el que coincide por azar: sin su verificador, fuera de la parte de un decimal, de un número con forma de dirección IPv4 —con o sin máscara CIDR— y de un importe con miles de cuatro grupos o más ("3.919.024.166"), que se prueban enteros —el importe, también sin su primer grupo: es el prefijo de país de un celular agrupado de a tres, "598.099.123.456", que de otro modo se publicaría— ("4.123.456" frente a "4.123.456-7", el verificador mal tipeado, el documento seguido de un año), y sin su primer dígito sólo detrás de un asterisco o una equis ("*.123.456-7", "X.012.345-8", "X2345678") —también los asteriscos de Unicode, todo signo que Unicode llama asterisco salvo el combinante de abajo, que el pliegue borra como a una tilde, y el asterisco pegado a una letra, "CI*123.456-7"—; la equis seguida de un espacio no es comodín, porque "92 x 6931234" es una multiplicación; un número redondo (1.000.000) no cuenta como parcial. Es un decimal el número cuyo último signo es un punto o una coma con otra cantidad de cifras que tres, y antes un entero o miles separados con otro signo: "4.123.456,7" es un importe, "4.123.456.7" no; su parte decimal no se pega al resto cuando es la de un importe con miles o la de un decimal suelto —una coordenada, un par lat lon—, pero sí cuando el número es otra cosa, como "(02) 901.1234". Una fecha con un año entre 1800 y 2100 —también con espacios y el año al final, "16 01 2002"; con el año adelante no, porque "2012 11 05" es también un teléfono escrito de a pares—, una hora —con su fracción de segundo: hasta siete cifras o nueve tras un punto, nunca ocho, y no seguida de un guion y una cifra, que sería un verificador—, un ISBN y una lista separada por comas no son documentos. El ISBN-10 —con guiones, espacios o puntos— sólo si su dígito de control es válido o lo precede ISBN: un NIT "900-123-456-7" tiene su forma, y uno de cada once documentos de diez cifras escritos así valida por azar y no se reconoce. Una fracción de nueve cifras tras un punto se lee como nanosegundos: un documento con un cero adelante pegado así a una hora no se reconoce. En la prosa del paquete los números son conteos suyos, y ahí la regla mira sólo lo que la prosa cita entre comillas y el código que sugiere entre comillas invertidas, y tapa la cita o el número, no la frase. El parcial tiene un costo, medido: un número entero de siete cifras que coincide con un documento protegido sin su verificador no se distingue de él, y se tapa. Con un millón de cédulas, 300.000 teléfonos fijos y 300.000 celulares protegidos, eso le pasa a uno de cada cinco números de siete cifras en ejemplos, modas y evidencia —en cualquier escritura: con puntos o apóstrofos de miles, con un guion, tras un numeral o tras una equis seguida de un espacio ("92 x 6931234"); tras un asterisco, o tras una equis pegada ("serie X6276963", que es como se escribe el documento recortado sin formato, "X2345678"), a uno de cada cuatro—, y a uno o dos de cada cien enteros de ocho cifras, que coinciden con un documento entero —también a los importes de ocho cifras con centavos, "52317219.09", 1,8 % sobre 4.000 con las mismas cifras enteras: su parte entera es la de un documento entero; y a los escritos con separador de miles o en notación científica, con o sin un espacio antes del exponente —"52.317.219,00", "5.2317219 e+07"—, también 1,8 %: son la misma cifra entera; y a tres de cada cien de los que empiezan con 9 —entre 90 y 99,9 millones: un importe, un código—, en cualquier escritura ("98276375", "98.276.375,00": 3,3 % sobre 4.000), porque tienen además la forma de un celular protegido sin su cero—; las coordenadas, los p-valores, los importes de siete cifras con decimales —también los redondos, "5460537.00", "5460537,00" o dentro de una frase; con un solo cero, "5460537.0", dos de cada cien, que se leen también como la cédula con su verificador tras un punto—, las horas, los ISBN —también el ISBN-10 con espacios o puntos—, las fechas con espacios, las listas separadas por comas con espacio o por barras verticales, las razones no se tapan; los importes con miles de cuatro grupos o más, uno o dos de cada mil —su cola sin el primer grupo coincide con un documento cuando empieza con un cero—; una dirección IP —también con su máscara CIDR, "10.4.123.234/24", o su puerto, y en un rango de redes "10.4.1.0/24-10.4.9.0/24"— sólo cuando coincide entera, menos de una de cada cien; y una coordenada escrita con un cero adelante ("-056.092164"), que tiene la forma de un celular con punto ("099.123456"), casi una de cada cien. Lo mismo vale, por la misma razón, para lo que se une como el documento: una lista separada por espacios, ocho de cada cien; un rango de años "2004-2017" o con la raya de un CSV de Windows, dos números en dos líneas, una lista con tabuladores o con comas sin espacio —también la coma ideográfica—, entre una y tres de cada cien; o una versión "v4.16.4302". Un teléfono fijo que no es de nadie, tres de cada cien —2,8 %, sobre 4.000 fijos—, escrito de cualquier forma: con espacios o guiones ("4656 4570"), con su prefijo de país ("+598 4499 0917") o pegado, y como número de planilla con su prefijo ("59.822.877.006"): 3,2 % sobre otros 4.000, lo mismo que pegados ("+59822877006"). Coincide con un documento o con un teléfono protegido, y como se prueba su parte nacional, las mismas cifras se tapan en todas las escrituras, salvo la de planilla con los miles y los decimales en cero o con espacios ("59.822.877.006,00", "59 822 877 006"), 4,4 %: como en el celular, sus primeras ocho cifras tienen además la forma de una cédula entera. Las familias del reproductor que sortean 400 fijos por escritura dan entre 1,5 y 5,5 %: es el sorteo, no la escritura. El prefijo no se une al primer grupo: "598" y ese grupo formarían una cédula de siete cifras sin su verificador. Y una lista de dos teléfonos unidos por una barra —"+59894364556/+59849290458"—, entre cinco y ocho de cada cien, como la misma lista con " / ": cada uno se prueba por su parte nacional. Un celular que no es de nadie, entre dos y tres de cada cien —2,0 a 2,5 % con 400 por escritura, pegado con su prefijo, con espacios o sin el prefijo; 3,0 % sobre 4.000 con las mismas cifras, pegado ("+59895257283") o como número de planilla con separador de miles ("59.895.257.283")—: coincide con uno protegido. Con los miles y los decimales en cero, o con espacios ("59 895 257 283"), 4,4 %: sus primeras ocho cifras tienen además la forma de una cédula entera. Con el punto medio como separador de miles, 5,3 % sobre otros 4.000 que pegados dan 4,0 %, y 7,8 % con los decimales en cero: como con espacios, sus grupos se prueban también sueltos. Con el agrupado indio ("59,89,52,57,283"), uno de cada cinco —20,3 %, y 32,0 % con ".00"—: sus grupos de dos forman números de siete cifras que coinciden con un documento sin su verificador. Y, por el mismo parcial, una versión de cuatro partes ("v4.62.660.4361"), trece de cada cien, la de cinco partes ("v2.76.527.6327.3"), quince de cada cien, y un expediente "exp 2023-6-880041", uno de cada seis: su tramo "660.4361" o "6-880041" es un número de siete cifras con un signo que une, y no se distingue del documento escrito así. Y por la regla de la hora, una fracción de ocho cifras ("18:54:14.80786977") no es fracción —así no se traga un documento pegado— y se tapan cuatro o cinco de cada cien; lo mismo un número de diez cifras con la forma de un ISBN-10 y su dígito de control inválido. La medición se rehace con data-raw/medir_tapado_de_mas.R. Las tildes, la caja y la escritura también son cosméticas: juan.perez se enmascara frente al nombre protegido «Juan Pérez», y el nombre pegado a otras letras dentro de un correo o un alias, también. La comparación usa un pliegue generado de Unicode —caja de todo alfabeto, letras con y sin diacríticos, ligaduras, ancho completo y medio ancho, letras matemáticas, y las letras modificadoras que hacen de acento o de apóstrofo pegadas a una letra, como el agudo U+02CA, el circunflejo bajo U+A788, la tilde vertical U+2E2F, la prima U+02B9 o el apóstrofo U+02BC escritos en lugar de la tilde—, compara el texto publicado también con los escapes del paquete deshechos (un espacio duro sale <U+00A0>) —el valor protegido nunca se desescapa: una barra literal es parte del valor—, y lee lo que no es UTF-8 válido de las dos maneras, byte por byte como CP1252 conservando las secuencias válidas y entero. El correo escrito con palabras —juan(at)gmail.com, [at], {at}, _at_, (arroba), (a), juan arroba gmail punto com— se lee como correo: la palabra es la arroba sólo si la sigue un dominio con su punto, y dot o punto son el punto sólo en un texto que ya tiene arroba —también la arroba escrita, juan@gmail punto com—. Se lee con los espacios de Unicode como espacios —el duro, el ideográfico, el salto de línea de C1 (U+0085)— y los signos de ancho completo como los de ASCII —los paréntesis o la arroba anchos, también los paréntesis blancos anchos (U+FF5F, U+FF60)—, y con todas las demás formas de compatibilidad de un signo ASCII —cada carácter que la normalización NFKC de Unicode lleva a un solo signo ASCII—: el punto ideográfico y el de medio ancho (U+3002, U+FF61), las variantes chicas de la coma, el punto, los paréntesis o la arroba (U+FE50 a U+FE6B), la barra partida, los paréntesis superíndice y subíndice (U+207D, U+207E, U+208D, U+208E), las formas de presentación vertical (U+FE10 a U+FE48) y el punto de guía (U+2024). Se toma la normalización entera y no una lista de las formas conocidas: con una lista, el correo escrito con los paréntesis superíndice alrededor de at se publicaría. Las letras de otro alfabeto que se parecen —una «a» cirílica (U+0430) en lugar de la latina— no son el mismo signo y no se leen, ni una letra encerrada en un círculo (U+24D0): es otra forma de la letra, no un signo. Y en cualquier codificación: un texto latin1 con una tilde se lee como el mismo texto en UTF-8. Medido sobre 3.000 correos protegidos: los no protegidos escritos así se tapan lo mismo que con la arroba común —cuatro de cada mil, por los separadores cosméticos—, y ninguna de 3.015 frases con esas palabras, mil de ellas con una arroba y el punto en palabras. No se leen otras ofuscaciones: el punto entre corchetes o paréntesis ([at]...[.], (.)), <at>, "at", -at-, /at/, el punto con espacios alrededor (empresa . com) ni un dominio con guion bajo; un correo protegido escrito así se publica. Las marcas del paquete se apartan del texto, y un valor protegido que contiene una se busca entero antes de apartarla. Una fecha de calendario sola no entra en el piso, tampoco escrita como AAAAMMDD o con el año en dos cifras en una columna de esas fechas, ni como fecha-hora ISO a medianoche: en una tabla de miles de personas casi todo día es el cumpleaños de alguien, y con la fecha de nacimiento protegida se taparían los estadísticos de todas las demás columnas de fechas. La columna de fechas protegida se sigue protegiendo entera; una fecha con hora sí cuenta. Se decide por la columna: en una columna protegida que no es de fechas —un teléfono fijo "2012-11-05" entre otros teléfonos— el valor con forma de fecha sí entra en el piso, escrito como está guardado (la regla de dígitos borra las fechas antes de buscar, así que "2012/11/05" no lo encuentra); una columna es de fechas si es Date o POSIXt, o si la mitad o más de sus valores distintos tienen forma de fecha —con el año en cuatro cifras o en dos, o compacta AAAAMMDD—. Es una sola regla, en memoria y en perfilar_dbi(): una columna de nacimientos con el 60 % en dd/mm/aa es de fechas, y sus valores no tapan la moda ni los ejemplos de las fechas de otra columna. En la columna de fechas, lo que no tiene forma de fecha —un relleno— sigue entrando al piso. En la prosa del paquete —descripción, sugerencia, motivo, cómo resolverlo, justificación— se exige además que la variante no tenga una letra pegada antes o después: con los nombres de millones de personas como valores protegidos, alguno aparecería cruzando palabras de esas frases y las taparía enteras, también en columnas no personales. Lo que esa prosa cita entre comillas dobles —el nivel de un determinante en la sugerencia de posible_ausencia_estructural— no es prosa sino un valor: se compara con la regla de los valores y se tapa sólo la cita, para que la sugerencia se siga leyendo. Y si el determinante es una columna protegida, la sugerencia no reproduce el criterio. Las palabras y las marcas del propio paquete no se tapan: con columnas de nombre y de apellido separadas, los valores protegidos son palabras sueltas, y algunas lo son también del paquete —Blanco frente a la marca <blanco>, Máximo frente a la clave grupo_maximo, Patrón en «el patrón dominante»—. El léxico se calcula al instalar, desde las cadenas del código del paquete: sus marcas no se comparan en ningún campo, y sus palabras no se tapan en su prosa salvo dentro de una cita. El nombre completo en el texto de otra columna se sigue tapando. Lo que no es del paquete, también: con nombre y apellido protegidos en columnas separadas, un lugar que comparte una palabra de seis letras o más con uno de ellos se tapa —el departamento "Maldonado" entre los ejemplos, la calle "Av. Rivera 1343", el "Instituto Rivera"; seis de los diecinueve departamentos de Uruguay son apellidos así, y ciudades como Mercedes o Dolores son nombres de pila—. Medido sobre 5.000 personas con esos nombres y apellidos, se tapan trece campos de cuatro columnas que no son personales. Es el costo del piso y no se afloja: sin él, «llamó la Sra. Rivera» publicaría el apellido. Y lo aplican también analizar(), distribucion_valores(), clasificar_variables() y detectar_discordancias(), así que no publican lo que perfilar() tapa sobre la misma tabla.

columnas_personales

Columnas que traen datos personales, declaradas por quien conoce el dato. c("cod_benef", "apodo") las nombra sin decir de qué tipo son; c(cod_benef = "documento_identidad") además lo dice. Lo declarado gana sobre lo inferido y no se vuelve a examinar.

Existe porque el léxico de nombres de columna no puede ser completo: una columna con documentos se puede llamar de cualquier manera, y ninguna lista de nombres frecuentes la va a reconocer. Es el mismo patrón que columnas_opcionales, aplicado a la otra decisión que el paquete no puede tomar solo.

validadores_personales

Pack o lista nombrada de funciones que reciben un vector de texto y devuelven un lógico de igual longitud. NULL usa validadores_uruguay() por compatibilidad; FALSE o numeric() desactiva la verificación de documentos. El nombre del mejor validador queda en el fundamento de la clasificación.

umbral_documento_verificado

Proporción mínima de valores que debe aceptar un validador para clasificar una forma de documento como verificado. Por defecto es 0.9.

muestra_validadores

Máximo de valores usados en el filtro preliminar de cada validador. Si la proporción preliminar ya queda bajo el umbral no se valida la columna completa; use Inf para revisar todos desde el inicio.

duplicados_aproximados

FALSE por omisión. Use TRUE o una lista de argumentos para ejecutar detectar_duplicados_aproximados() y añadir sus pares y hallazgos al perfil. Es un análisis acotado y opcional porque no afirma identidad ni debe encarecer todas las corridas.

normalizar

Perfil de comparación que se conserva en meta$normalizacion y que heredan los análisis de duplicados y claves cuando no reciben uno explícito. Cambia sólo la representación usada para comparar.

max_filas_hallazgo

Tope de índices de fila que conserva cada trazabilidad disponible. Por defecto es 1000; cuando se supera, el estado queda como truncada y el total se conserva. Use Inf sólo si necesita desactivar explícitamente el tope.

umbral_orden_columnas

Cumplimiento mínimo de una relación de orden entre columnas comparables. Se usa 0.95 por omisión; con menos de 20 filas comparables se permite una sola inversión para no descartar tablas pequeñas. El alcance efectivo queda en meta$orden_columnas.

max_columnas_orden

Máximo de columnas numéricas o temporales que se comparan entre sí para detectar relaciones de orden. Las columnas que exceden el límite se conservan en meta$orden_columnas$columnas_omitidas y el diagnóstico se declara no_evaluado en cobertura_diagnosticos. comparar_perfiles() no presenta como resuelto un hallazgo anterior que quedó fuera de ese alcance.

umbral_solapamiento_orden

Solapamiento mínimo de los rangos intercuartiles para considerar que dos columnas representan magnitudes comparables. Por defecto es 0.1: al menos una décima parte del rango intercuartílico más ancho debe ser común a ambos. Esto evita interpretar como restricción fila a fila un orden explicado sólo por escalas separadas. Si no hay ese solapamiento, una brecha con IQR exactamente cero conserva el par porque la mitad central sostiene el mismo desplazamiento fila a fila. No se aplica una tolerancia oculta. Use 0 para desactivar el filtro de magnitud. Ambos criterios se publican en la evidencia. Los pares descartados se cuentan en meta$orden_columnas$pares_descartados_magnitud y los recuperados en meta$orden_columnas$pares_rescatados_brecha_estable. Los pares que involucran una columna cuyo tipo o formato se descubrió sobre una muestra y cuya conversión dejó valores afuera no se comparan; el alcance los conserva en columnas_conversion_parcial, n_valores_excluidos_conversion y pares_descartados_conversion_parcial.

umbral_aritmetica

Proporción mínima de filas comparables que deben satisfacer una identidad dentro de tolerancia_aritmetica para reconocer una regularidad aritmética entre columnas numéricas. El valor por omisión es 0.9. Una vez reconocida la relación se informan todas sus discrepancias, sin un segundo filtro por su cantidad absoluta. La proporción y el criterio efectivos se publican en cada evidencia.

min_filas_aritmetica

Mínimo de filas comparables necesario para evaluar una candidata aritmética. Por omisión es 3.

tolerancia_aritmetica

Tolerancia numérica relativa escalada usada al comparar un valor observado y uno esperado. Por omisión es 1e-8; el criterio completo y el valor efectivo se declaran en cada evidencia. Como es relativa a la escala del total, con montos de 1e9 vale entre 10 y 20 unidades, y una columna que vive por debajo de eso completaría cualquier suma entre dos columnas casi iguales. Por eso una identidad que se cumple igual sin uno de sus sumandos no se publica, salvo que se cumpla exacta —con la única diferencia del redondeo del tipo double, 4 * .Machine$double.eps relativo— en la proporción de umbral_aritmetica; la evidencia lo dice, y las descartadas se cuentan en meta$aritmetica_columnas$identidades_descartadas_escala, junto a la resolución usada en resolucion_exacta. Es el mismo criterio que el filtro de magnitud de las relaciones de orden. Con el valor por omisión, una identidad aditiva cuyas tres columnas guardan decimales fijos —todos sus valores son múltiplos de un mismo cuanto decimal, como los centavos o los enteros— acota la tolerancia a la mitad de ese cuanto: entre esos valores una diferencia es un múltiplo del cuanto, y la tolerancia relativa tragaba centavos en los importes grandes (un peso entero sobre 1e8). La cota se usa si el total guarda exactamente los decimales de la suma o si la identidad se cumple exacta, salvo el redondeo del tipo double, en la mayoría de las filas, y sólo si los valores tienen menos de 15 cifras significativas en ese cuanto —con centavos, hasta importes de 1e12; con enteros, hasta 1e14—; por encima la evidencia dice que la tolerancia no se acota y cuánto vale. Una identidad que la tolerancia relativa reconoce y la cota no se descarta y se cuenta en meta$aritmetica_columnas$identidades_descartadas_cuanto. En una suma la tolerancia se mide también sobre los sumandos —max(1, |observado|, |esperado|, |sumandos|)—, porque el error de sumar en doble es relativo a ellos; si el total queda por debajo de esa tolerancia, la identidad se publica sólo si es exacta. Una tolerancia declarada no se acota. En una proporcionalidad, con el valor por omisión, una columna con decimales fijos cuyo redondeo la tolerancia relativa supera en alguna fila —o cuya relación la relativa ya reconoce acusando filas— se lee como la respuesta redondeada. Con respuestas más chicas frente a su cuanto, donde la relativa no reconoce la relación, se lee igual si hay al menos 20 bases y 20 respuestas distintas y la relación explica más filas que la moda de la respuesta: entre columnas independientes chicas, sin esas dos condiciones, la mitad del cuanto publicaba proporcionalidades espurias. En la lectura, la mitad de su cuanto —la resolución de su redondeo, como 0,05, 0,25 o 5, y no la potencia de diez de sus decimales: primero la de todos sus valores y, si con esa no alcanza el criterio, la de al menos el 90 % de las filas, medidas sobre los valores distintos y sin el cero —con la cota de azar contada en registros distintos: un registro repetido es uno, y cien importes que el redondeo junta en cinco valores son cien—; un valor fuera de ella cuenta como discrepante, y unas pocas filas con más decimales que las demás no la hacen pasar por cifras significativas—, inclusiva, es la tolerancia de todas las filas, y k es la constante en la que cada cifra explica al menos una fila más: la de más filas dentro menos cifras —cinco cifras más que solo se tragan dos filas rotas de importes grandes no se pagan, y una que explica una fila sana sí—, entre las que explican al menos umbral de las filas de la mejor y con al menos una fila por cifra. La recíproca corta también es una constante corta: y ~= x / 7 cuesta la cifra del 7, como k cuesta las suyas, y le gana a 0.143, que dejaba afuera filas sanas; con costos iguales gana la forma directa, y una recíproca que termina se escribe como ese decimal (1/0.4 es 2.5). En un empate gana la más larga solo si cada fila que agrega está en el cuarto de mayor magnitud de las que explica o a menos de dos medios cuantos de la corta, no pierde ninguna de las de la corta que le quede a menos de esa distancia, y la corta no explica exactas las suyas: un truncado falla primero las filas grandes y deja afuera otras por un pelo, y una fila rota en el medio no compra una cifra. Una que explica más filas que otra igual de corta o más y pierde algunas de las de esa paga dos veces cada fila que pierde, salvo que alguna de las que solo explica ella le quede cerca a la otra. Y una corta que explica exactas todas sus filas no la gana ninguna más larga que las contiene: con y = 0.18 * x exacto, 1/5.555 se tragaba tres rotas grandes. Entre los decimales del mismo largo, el que deja más filas justo en el empate del redondeo y después el más cercano a la constante de mínimos cuadrados (0.0725 y no 0.0724 en round(cant * 0.0725, 2)). Gana otra más larga si explica casi todas las filas que esa deja a más de dos medios cuantos —todas salvo 1 - umbral, y al menos dos— sin perder ninguna de las que esa explica, como un tipo de cambio largo contra su truncado. Si las dos columnas admiten esa lectura, con soporte las dos y la tolerancia de una el doble o más que la de la otra en la misma columna, se comparan con la fina —una fila que solo cae adentro con la gruesa no cuenta— y la gruesa gana solo si explica más filas y paga sus cifras, contadas en la fina —las de su forma corta, directa o recíproca—; si no, la de la constante claramente más corta (1.22 y no 0.8196...), la que tiene soporte —con cotas parecidas, contado en las filas que la gruesa explica con la fina—, la que explica más filas pagando sus cifras y la de la resolución más fina, en ese orden. Con cotas parecidas, cada una cuenta las filas que explica con su propia tolerancia, salvo la franja entre las dos: ahí la gruesa cuenta sólo si su redondeo la explica mejor que las rotas que caen justo afuera de su ventana, medidas con la constante de más cifras de las dos —en y = round(x / 1.105) en enteros la franja es redondeo de y, uno de cada diez residuos, y x ~= y * 1.105 la acusaba; en y = round(1.22 * x) con rotas por una unidad, la fila de la franja es una rota más—; las filas fuera de la retícula de alguna de las dos no cuentan para ninguna, y en la gruesa cuentan como explicadas las que caen justo en su medio cuanto, un empate del redondeo: y = round(0.9 * x) se lee y ~= x * 0.9 sin acusar las filas que R redondea al par; con una tolerancia el doble de la otra esos empates no cuentan, porque ahí cae una fila corrida un cuanto. Con todo igual, la de menos cifras, la que acusa más y la directa (y ~= x * 3.75 y no x ~= y / 3.75). La que la tolerancia relativa reconoce y ninguna resolución explica se descarta, se cuenta en meta$aritmetica_columnas$proporcionalidades_descartadas_cuanto y deja una fila en cobertura_diagnosticos con la relación y el motivo; si la resolución de alguna de las dos columnas es compatible con la relación, se publica con la tolerancia relativa. Lo mismo vale para una identidad descartada por la cota del cuanto. En cualquier camino, una proporcionalidad se sostiene en las filas que distinguen k: tiene que alcanzar el criterio en las filas con la base distinta de cero, donde el par de valores más repetido pesa a lo sumo 1 - umbral_aritmetica de ellas, y con al menos min_filas_aritmetica filas fuera de ese par cumpliendo —180 filas en cero, o en un mismo par, no hacen una relación con las otras 20—. Las filas en cero y las del par más repetido no cuentan como cumplimiento más allá de ese tope, así que una relación real con muchas de ellas y más de una fila de cada diez rota entre las demás no se publica. Una que alcanza el criterio sin ese soporte no deja fila de cobertura —en una tabla rala serían una por par de columnas— y se cuenta en meta$aritmetica_columnas$proporcionalidades_descartadas_soporte, también cuando una identidad entre las mismas columnas la vuelve redundante. Una columna que varía menos que la tolerancia relativa de su magnitud se evalúa con la cota del cuanto cuando la identidad la admite; si no, una fila de cobertura_diagnosticos por columna dice qué relación reconocía la tolerancia y por qué no se publicó. meta$aritmetica_columnas se publica cuando hay una relación, un recorte o una relación descartada —por escala, por la cota del cuanto o por falta de soporte—.

max_columnas_aritmetica

Máximo de columnas numéricas que intervienen en la búsqueda aritmética, cuyo costo crece cúbicamente. Por omisión es 20. Si se omiten columnas, cobertura_diagnosticos declara el recorte y meta$aritmetica_columnas conserva los conteos de combinaciones.

casi_duplicados_vocabulario

Lógico que activa el diagnóstico de variantes casi duplicadas dentro del vocabulario de cada columna de texto. Por defecto es TRUE; FALSE lo omite sin afectar los demás hallazgos. La distancia es una señal heurística, no una prueba de identidad: Jaro–Winkler puede agrupar nombres de calles o códigos que sólo comparten un prefijo o un sufijo. En vocabularios heterogéneos revise la evidencia como sospechosa, declare una regla de dominio o use FALSE para desactivar este diagnóstico.

max_proporcion_grupo_vocabulario

Proporción máxima del vocabulario que puede abarcar el grupo mayor para entregar grupos de variantes. Por defecto es 0.5; si se supera, el alcance declara que el diagnóstico no aplica en vez de entregar un bloque que abarque casi toda la columna. El diagnóstico se ejecuta por columna y no deduplica columnas con el mismo vocabulario: cada una conserva su propia fila de cobertura y sus propios hallazgos. El costo de comparar vocabularios idénticos puede repetirse.

umbral_variante_rara_vocabulario

Proporcion maxima de la columna que puede ocupar una variante breve para abrir la comparacion por una edicion.

min_asimetria_vocabulario_corto

Razon minima entre la frecuencia de una forma dominante y una variante breve para abrir la comparacion por una edicion.

min_asimetria_vocabulario

Razón mínima entre la frecuencia de la forma dominante y la de la variante para abrir un grupo por la vía general de distancia. Por omisión 2. Una asimetría de 1,5 significa que las dos formas son casi igual de comunes, que es evidencia muy floja de una errata: medido sobre tablas limpias y sobre erratas sembradas, los falsos positivos están entre 1,0 y 1,5 y las erratas reales desde 9,0.

min_participacion_dominante_vocabulario_corto

Proporcion minima de la columna que debe ocupar la forma dominante en la comparacion por una edicion.

variantes_equifrecuentes_vocabulario

Si se informa el diagnóstico variantes_equifrecuentes_vocabulario, que señala dos formas cercanas que se reparten la columna sin que ninguna sea dominante —el error sistemático de dos operadores, una plantilla rota o una migración parcial—.

Está apagado por omisión y la razón está medida: sobre la batería de 31 tablas limpias produce un grupo sospechoso donde no hay defecto. Lo que lo dispara no es el tamaño de la tabla sino el reparto: dos formas parecidas con frecuencias del mismo orden lo activan igual con cuatro filas que con quinientas, y en una tabla chica ese reparto sale por casualidad más seguido. Es aditivo: encenderlo no cambia ni pierde ninguna detección de casi_duplicados_vocabulario. El límite que deja de cubrir se declara igual, encendido o apagado, en n_grupos_sin_variante_rara. Cada par cercano se declara una sola vez: si casi_duplicados_vocabulario ya publicó sus dos formas en un mismo grupo, el par no se cuenta ahí ni se publica otra vez como equifrecuente, aunque otra forma cercana cuelgue de ese grupo. Pasa con una clase exacta de normalización unida por distancia a su vecina, y cuando la asimetría llega a min_asimetria_vocabulario sin pasar max_asimetria_equifrecuente_vocabulario. La forma que comparten se nombra en los dos grupos y cada uno declara sus pares: con Montevideo (100), Montevido (50) y Montividoo (50), casi_duplicados_vocabulario publica Montevideo y Montevido, y el grupo equifrecuente, Montevido y Montividoo, con un solo par. Lo que el piso de asimetría deja afuera sí se cuenta.

max_asimetria_equifrecuente_vocabulario

Razón máxima entre la frecuencia mayor y la menor para considerar que dos formas se reparten la columna. Con 2, 40 contra 5 no entra y 5 contra 5 sí. Las grafías que la normalización junta cuentan juntas: MONTEVIDEO (10) y Montevideo (40) contra Montevido (50) es un empate, el grupo publica las tres formas con sus frecuencias y su asimetría es 1. El tope es del grupo, no de cada par: Montevideo (25), Montevido (20) y Montividoo (10) están a 1,25 y 2 de a pares, pero a 2,5 de punta a punta, y no se agrupan. Sus pares se declaran aparte en la misma fila de cobertura_diagnosticos, como pares cercanos que forman cadenas sobre el tope.

max_comparaciones_dependencias

Tope de pares determinante-dependiente que se comparan. El costo de las dependencias es del orden de columnas^2 x filas y empeora con determinantes casi únicos; cuando el presupuesto se agota, lo comparado se informa y lo que quedó sin comparar se declara en cobertura_diagnosticos, nunca como cero.

max_trabajo_vocabulario

Tope de comparaciones de carácter para las comparaciones de distancia del vocabulario. Comparar dos valores cuesta del orden del producto de sus largos, así que el trabajo es la suma de ese producto sobre todos los pares. Contar pares por longitud media subestima las cadenas largas: medido así, el mismo presupuesto rinde 5,3 millones de unidades por segundo con valores de 900 caracteres y 44 millones con valores de 40. Se combina con el límite interno de pares del detector y manda el más restrictivo; ese límite interno no es un argumento de perfilar(). El recorte declara valores, pares y trabajo sin comparar. Inf lo desactiva.

max_trabajo_dependencias

Tope predeterminado de unidades fila-par para las dependencias. Se combina con max_comparaciones_dependencias; el límite efectivo baja cuando hay muchas filas. Inf desactiva este tope, pero no el de pares.

max_largo_valor_vocabulario

Maximo de bytes o caracteres permitido en cada valor que entra en los diagnosticos textuales costosos. Por defecto es 10000, elegido porque las expresiones regulares, la normalizacion y la comparacion de textos largos dejan de ser una medida razonable. Los valores que superan el tope quedan fuera de esos diagnosticos, se cuentan completos para las medidas de la columna y se declaran en cobertura_diagnosticos. Inf quita el tope. El limite especifico de casi duplicados conserva este mismo valor para no ejecutar una distancia sobre cadenas sin presupuesto. La inferencia de tipo, los conteos baratos, las dependencias y los estadisticos se calculan sobre el universo completo que resulte aplicable. Cada diagnostico que omita los valores largos agrega su propia fila de cobertura, con dependencia = "texto_largo_no_evaluado".

max_celdas_muestra

Maximo de celdas que puede contener la muestra comun de los diagnosticos que muestrean filas. Por defecto es 1000000; se calcula como filas efectivas por columnas de la tabla. Si reduce la muestra, cobertura_diagnosticos informa las filas y celdas solicitadas, el umbral y el nuevo alcance. Inf desactiva este tope.

max_bytes_muestra

Maximo de bytes de la muestra materializada que alimenta los diagnosticos que muestrean filas. Por defecto es 512 MiB. El tamaño se estima sobre una sonda de hasta cien filas y se comprueba sobre la muestra efectiva; si la cota reduce el alcance, cobertura_diagnosticos informa los bytes observados y el umbral. Inf desactiva este tope. Se mide la tabla como llega, con sus nombres de fila: son parte de lo que se materializa —y el paquete los trata como datos, por ejemplo al proteger—, así que la misma tabla con nombres de fila de texto ocupa más y, con el mismo tope, se muestrea en menos filas.

avisar_costo_tabla_ancha

Si es TRUE, avisa en sesiones interactivas cuando las celdas proyectadas superan umbral_celdas_aviso_tabla_ancha. El aviso es una estimacion y queda en silencio en scripts no interactivos.

umbral_celdas_aviso_tabla_ancha

Cantidad de celdas a partir de la cual se emite el aviso de tabla ancha. Por defecto, 100000; Inf lo desactiva explicitamente.

Value

Objeto S3 de clase perfil. Cada fila de hallazgos incluye n_evaluados, n_afectados y unidad_conteo: son conteos de las unidades declaradas (por ejemplo fila, columna, formato o par). En mayusculas_inconsistentes, normalizacion_unicode y casi_duplicados_vocabulario, la unidad es valor_distinto: n_evaluados cuenta los valores distintos evaluados y n_afectados los valores distintos que participan en la colisión. Su trazabilidad sigue siendo por fila y enumera todas las filas que contienen esos valores, no sólo las filas defectuosas; por eso su total puede ser mayor que n_afectados. En casi_duplicados_vocabulario, la traza incluye todas las filas cuyos valores pertenecen al grupo elegido, incluida la forma dominante. La distancia es una senal heuristica, no una prueba de que cada fila deba corregirse; la evidencia declara cuantas filas mostradas pertenecen a las formas variantes y cuantas a las formas dominantes. En filas_duplicadas, el conteo y la traza incluyen todas las filas participantes de los grupos; el numero de excedentes queda en la evidencia. columnas_duplicadas publica un hallazgo por grupo de columnas con el mismo contenido, no uno por par: columna es la primera del grupo en el orden de los datos, la evidencia nombra a todas (A = B = C) y n_afectados las cuenta a todas. general$columnas_duplicadas tiene una fila por cada columna repetida, con la primera de su grupo en columna_1 y la repetida en columna_2. Dos columnas son iguales si lo son en lo que el perfil lee como contenido: un factor con nivel NA y el mismo sin ese nivel, un POSIXlt y su POSIXct, o dos factores sin orden con los mismos niveles en otro orden son la misma columna; un entero y un doble, que el perfil declara de tipos distintos, no. Si algún nombre del grupo no se puede leer suelto —vacío, repetido en la tabla, con espacios al borde o con =, ;, , o comillas—, la evidencia cita todos los nombres entre comillas, y el que se repite lleva su posición: "X" (columna 1) = "X" (columna 2). Sin filas no hay hallazgo ni filas en general: la cobertura declara que no se compararon. general$vocabulario guarda los valores y su frecuencia de las columnas de texto o factor con hasta 20 valores distintos —columna, valor, frecuencia, proporcion, del más frecuente al menos—, contados sobre el universo aplicable y todas las filas; no las de cardinalidad alta ni las de valores todos distintos, y con la protección, tampoco las protegidas. Es lo que comparar_perfiles() compara como vocabulario. Cuando el camino no puede conocer un conteo, informa NA, nunca cero. La columna de lista trazabilidad distingue disponible, truncada, no_aplica y no_disponible; cuando corresponde conserva índices de fila acotados por max_filas_hallazgo, el total conocido y el alcance. En clave_con_ausentes, cuenta las filas con al menos un componente ausente y su traza enumera esas filas. En clave_no_unica, cuenta las filas que participan en colisiones entre claves completas y su traza excluye las filas incompletas; ambas unidades son fila. Así, una colisión entre ausentes no aparece como una repetición que refute la unicidad. casi_duplicados_vocabulario, donde la traza mezcla filas de formas variantes con filas de la forma dominante, conserva además n_filas_formas_variantes y n_filas_formas_dominantes con el reparto completo, y mostrados_formas_variantes y mostrados_formas_dominantes con el reparto de lo que sobrevivió al truncado. En los tres diagnósticos de unidad valor_distinto las filas de las formas variantes se entregan primero —en mayusculas_inconsistentes y normalizacion_unicode, la forma dominante de cada grupo es la guardada más veces—, de modo que el truncado no se lleve lo accionable. En los tres hallazgos de unidad formato (formatos_fecha_mixtos, formato_fecha_ambiguo y anio_de_dos_digitos), n_afectados cuenta formatos y la traza enumera filas; por eso su total no se compara con n_afectados. La traza se arma sobre la columna entera aunque la tabla de formatos, la evidencia y n_afectados sean de una muestra, y puede nombrar filas escritas en formatos que la muestra no llegó a ver; esa segunda lectura se hace sólo cuando alguno de los tres hallazgos sale, una vez por columna. anio_de_dos_digitos traza toda fila cuya escritura sólo admite lecturas con el año de dos cifras, incluidas las que dos lecturas probadas aceptan y por eso no cuenta el n de ninguna; su total puede ser mayor que la suma de los n de formatos_fecha. formato_fecha_ambiguo traza toda fila escrita en una lectura que la columna entera no puede resolver (si la columna entera las resuelve todas, las celdas que admiten dos o más de las lecturas que cita). formatos_fecha_mixtos traza todas las filas con fecha, primero las de las escrituras que no son la más frecuente, con el mismo reparto que casi_duplicados_vocabulario (n_filas_formas_variantes, n_filas_formas_dominantes y sus mostrados_formas_*); si dos escrituras empatan en el primer lugar no hay dominante y todas sus filas cuentan como variantes. Los dos informativos que cuentan filas también las traen: posible_ausencia_estructural, las ausentes que caen donde la regla dice que la columna no corresponde, y regla_silencia_ausencia, las que la declaración del universo dejó de contar. relacion_funcional_columnas sale una vez por cada fila de dependencias que no es exacta —cumplimiento en [umbral_dependencia, 1)—, y una por sentido: a -> b y b -> a son dos hallazgos, porque en general los rompen filas distintas. columna es "determinante,dependiente", la unidad es fila, n_evaluados y n_afectados son n_evaluados y n_violaciones de la dependencia, y la evidencia repite su cumplimiento y sus contradicciones. La traza enumera las filas que la rompen —las que tienen las dos columnas presentes y un dependiente distinto del más frecuente de su determinante; con empate en ese máximo, el que aparece primero en la tabla—, su total es n_afectados y lleva columnas. Si las dependencias se buscaron sobre una muestra, las filas son de la tabla (alcance = "completo") cuando la dependencia se recalculó sobre ella, y de la muestra, en su posición de la tabla, cuando el presupuesto no alcanzó (alcance = "muestra_dependencias", lo mismo que sus cifras). planificar_limpieza() no propone una acción para este hallazgo: va a hallazgos_sin_accion. Que la relación sea una regla del negocio lo sabe quien conoce los datos; si no lo es, no hay nada que corregir. Para patron_raro, el alcance puede ser completo, muestra_patrones, patrones_parciales o muestra_patrones+patrones_parciales. El resumen y el texto de evidencia de patron_raro muestran como maximo seis patrones, pero la trazabilidad conserva los nombres de todos los patrones raros hasta un limite de 5.000; patrones_parciales indica que se alcanzo ese limite, no que se haya alcanzado el tope de presentacion. En faltantes_disfrazados, la traza conserva además sentinelas_contados: los centinelas numéricos que el perfil contó en la columna, sin repetir, tomados de las mismas celdas que n_faltantes_disfrazados_numericos —la evidencia muestra sólo las seis marcas más frecuentes—. Es la lista que planificar_limpieza() convierte. Queda vacío si el hallazgo contó sólo marcas textuales, y NA si la protección de datos personales tapó la evidencia del hallazgo, entera o por valor: donde el perfil no muestra la evidencia, tampoco dice qué valor contó. Un perfil guardado por una versión anterior no trae el campo. Cuando se emite un hallazgo patron_raro, su evidencia incluye la proporcion del patron dominante y cuantas filas pertenecen a patrones no dominantes que superan umbral_patron_raro y por eso quedan excluidos. Su n_evaluados es el universo de esas proporciones: las filas analizadas que tienen valor —un ausente no tiene patrón—. Si el patron dominante no alcanza umbral_patron_dominante, no se emite el hallazgo: cobertura_diagnosticos declara la no medicion, su proporcion observada y el argumento que se puede ajustar. Si el conteo y la traza no coinciden, conserva el hallazgo y emite una advertencia de clase lupa_trazabilidad_incoherente. La guarda compara el total previo al truncado y respeta la unidad declarada. Avisa también si un hallazgo de formato o un informativo que cuenta filas se construye sin nombrarlas, y si el reparto entre formas variantes y dominantes no suma el total de la traza; un perfil guardado por una versión anterior, que traía esos hallazgos sin filas, se publica sin ese aviso. Una columna compuesta no analizada conserva en la traza todas sus filas. Si una columna de listas se reconoce como constante pero no se puede contar su frecuencia, el conteo afectado queda en NA y cobertura_diagnosticos explica la no evaluación. Los índices no contienen valores. Usarlos para extraer filas de los datos originales puede volver a exponer datos personales; el paquete no realiza esa extracción y la protección de salidas no sustituye el control de acceso a los datos de entrada. En la evidencia de casi_duplicados_vocabulario, clase_diferencia puede ser normalizacion_exacta (la coincidencia aparece después de normalizar), dentro_de_palabra (la diferencia está dentro de un token), token_completo (cambian tokens completos), token_unico (ambos valores son un solo token y esa distinción estructural no aplica), mixta (el grupo reúne aristas de más de una clase) o indeterminada (no hubo aristas clasificables). Son categorías de evidencia, no veredictos de identidad. cobertura_diagnosticos es una tabla hermana de hallazgos, con una fila por diagnóstico que no pudo evaluarse o cuya enumeración quedó parcial y las columnas diagnostico, columna, motivo, como_resolverlo y dependencia. Incluye la falta de stringdist, stringi o sf y las zonas horarias POSIXt sin declarar. Sin bit64 una columna integer64 no deja una fila acá: el perfil se detiene con lupa_error_integer64. Los patrones de frecuencia intermedia no se consideran desvios del patron dominante: patron_raro es completo respecto de su criterio de rareza cuando no hay recorte de trazabilidad. Si el conjunto de nombres raros supera 5.000, cobertura_diagnosticos declara el recorte y su limite. Si muestra deja filas fuera del descubrimiento de patrones y la muestra no trae ningún patrón raro, cobertura_diagnosticos también lo declara: la ausencia del hallazgo vale sólo para la muestra. Quien decida automáticamente sobre un perfil debe revisar nrow(perfil$cobertura_diagnosticos) además de las severidades: un perfil sin hallazgos y con diagnósticos no evaluados no es un perfil limpio. Cuando una clave declarada no queda plenamente verificada, meta$clave conserva los estados de unicidad y ausencia de nulos, sus conteos y la semántica usada por la trazabilidad. Los tres responden preguntas distintas y no comparten universo:

  • unicidad se evalúa sólo entre las filas con la clave completa (semantica = "claves_completas"), porque una repetición entre filas incompletas no viola la unicidad: en SQL dos NULL no son iguales. filas_evaluadas cuenta esas filas y filas_totales la tabla entera. Su estado es "verificada", "refutada", "no_verificada" cuando no se pudo comparar, o "sin_casos_evaluables" cuando ninguna fila tiene la clave completa: ahí la unicidad sería cierta sobre un conjunto vacío, que es cierto y engañoso a la vez, y por eso tiene estado propio.

  • ausencia_nulos responde si todos los componentes están presentes. Su hallazgo asociado, clave_con_ausentes, cuenta las filas con al menos un componente ausente y conserva sus índices.

  • clave_no_unica sólo se emite cuando hay valores repetidos entre las filas completas y usa filas_evaluadas como n_evaluados; no convierte una colisión entre ausentes en una violación de unicidad.

  • trazabilidad conserva la semántica de R, que es la que localiza las filas, e informa en colisiona_con_ausentes si el localizador queda ambiguo porque dos filas con ausentes comparten representación.

Details

Los umbrales de faltantes se aplican a la suma de ausentes reales y faltantes disfrazados y son estrictos: la proporción debe superar el umbral para generar el nivel correspondiente. La lista de cadenas está congelada con referencia a naniar::common_na_strings 1.1.0 y suma extensiones habituales en datos administrativos uruguayos. Las entradas que naniar expresa como patrones escapados se adaptan a los signos literales de interrogación, asterisco y punto porque aquí se comparan por igualdad. La lista no depende de la versión instalada. Los sentinelas numéricos predeterminados son -9, -99, -999, -9999 y 999. La lista es deliberadamente más corta que naniar::common_na_numbers 1.1.0: 66, 77, 88 y 9999 también pueden ser edades, códigos o años legítimos. sentinelas_numericos representa la política completa, no una lista que se agrega silenciosamente: use numeric() para desactivar todos los sentinelas numéricos, o sentinelas_naniar para solicitar explícitamente la lista de naniar. La política se normaliza como un conjunto numérico: el orden, el tipo entero o doble, los duplicados y los NA no cambian su interpretación.

muestra limita el descubrimiento de patrones, la inferencia de tipos, la detección de formatos de fecha y la búsqueda de dependencias funcionales. Las demás métricas y hallazgos se calculan sobre todas las filas. En los resúmenes que convierten texto con el tipo o formato descubierto en esa muestra, los valores presentes que no se pueden convertir no se ocultan: n_fechas_excluidas_granularidad los cuenta para fechas y n_valores_excluidos_resumen para números, y el estado deja de ser un cálculo completo. n_valores_excluidos_resumen cuenta también los valores no finitos que el resumen deja afuera, y lo hace en cualquier clase: una columna de fechas con un Inf publica n_valores_excluidos_resumen = 1, n_fechas_resumidas sin contarlo y el estado "calculados_sobre_valores". Y para las longitudes de texto, n_longitudes_resumidas declara sobre cuántos valores se calcularon longitud_minima, longitud_maxima y longitud_media: nchar() no puede medir un valor cuyos bytes no son UTF-8 válido, y ése queda fuera del promedio. La causa viaja aparte, en n_codificacion_invalida. Por eso meta$filas_analizadas describe el máximo usado por los análisis muestreados, no el alcance del perfil completo. En cada fila de columnas, n_filas_analizadas_tipo y muestreado_tipo_inferido declaran el alcance concreto de proporcion_tipo_inferido; no debe interpretarse esa proporción como si hubiera usado necesariamente toda la columna.

El tipo se infiere de los valores sólo en las columnas de texto: en las demás es el tipo con que R las guarda —lógico, entero, doble, fecha—, que no depende de los valores. Por eso una columna no textual sin ningún valor conserva su tipo de almacenamiento, con proporcion_tipo_inferido en NA porque ningún valor lo midió, y una columna de texto sin valores queda "desconocido", porque ahí no hay nada de qué inferirlo.

Cuando el tipo inferido es "fecha" o "fecha-hora", estado_tipo_inferido declara además cómo quedó establecida esa lectura: "confirmado" si todo formato con casamientos es inequívoco, y "candidato" si el veredicto se apoya en casamientos ambiguos — el caso de una columna donde proporcion_tipo_inferido llega a 1 sin un solo valor inequívoco. En los demás tipos la columna queda NA. El resumen impreso anota (candidato) junto al tipo cuando corresponde; la conversión, el rango temporal y la remediación sólo usan formatos confirmados.

En una columna temporal, minimo, maximo, media y mediana quedan en NA y su valor viaja en minimo_fecha, maximo_fecha, media_fecha y mediana_fecha, que son texto legible. desvio es la excepción y conviene saberlo: no es un momento sino una duración, así que se informa como número, y ese número está en segundos tanto para "fecha" como para "fecha-hora", porque las dos clases se unifican en esa unidad antes de resumirlas. Un desvío de 136610.4 sobre una columna de fechas son 1,6 días.

Ese detalle importa al comparar las dos puertas. perfilar_dbi() no clasifica tipos: informa el que declara el motor, y un motor que no preserva DATE ni BOOLEAN —SQLite guarda ambos como número— hace que esas columnas se midan como números. La misma columna de fechas da entonces desvio en días por la puerta DBI y en segundos por ésta, y su moda sale como el entero crudo del motor en vez de la fecha formateada. No es una discrepancia de cálculo: cada puerta describe lo que tiene delante, y lo que tiene delante es distinto.

Una columna cuyo año se expresa con dos dígitos se informa con su tipo_inferido —"fecha" o "fecha-hora"— pero deja minimo_fecha, maximo_fecha, media_fecha y mediana_fecha en NA. No es una omisión: 23 puede ser 1923 o 2023, y elegir el siglo para calcular un rango sería inventarlo. El hallazgo anio_de_dos_digitos señala esas columnas, y el rango aparece una vez que el usuario resuelve la ambigüedad. Si sólo algunos valores traen el año con dos dígitos, la columna conserva su rango: esos valores quedan fuera, como cualquier valor con más de una lectura, y lo declaran n_valores_excluidos_resumen y "calculados_sobre_valores". Lo mismo vale para un valor que dos formatos confirmados de la misma columna leen distinto: en una columna que tiene 13/06/2020 y 06/30/2020, el valor 01/12/2020 puede ser el 1 de diciembre o el 12 de enero, y no se decide por la mayoría. Queda fuera del rango, y planificar_limpieza() bloquea la conversión de la columna mientras queden valores así. El resumen de fechas usa la misma regla de validez que la detección: un 99991231 que el formato %Y%m%d no admite tampoco llega a maximo_fecha. Cuando no sobrevive ningún valor utilizable, el estado distingue dos afirmaciones que no son la misma: "sin_valores" dice que la columna no tenía ningún valor presente en el universo que el resumen mide —vacía, todo NA, o con la aplicabilidad declarada dejando ese universo sin valores— y "sin_valores_utilizables" dice que sí los tenía y ninguno servía para el resumen. La relación que se cumple con la fila es n_aplicables - n_faltantes, no n - n_faltantes: con aplicabilidad declarada los valores de afuera del universo se declaran en n_presentes_fuera_de_aplicabilidad y no cuentan para este estado. Una columna de treinta Inf es el segundo caso y no el primero: publica n_faltantes = 0 y n_distintos = 1, así que decir «sin valores» de ella contradiría a su propia fila. La otra puerta del segundo caso son los centinelas que se llevan todos los valores. La presencia se define igual que en n_faltantes, que cuenta el NaN como ausente: una columna de treinta NaN es "sin_valores".

La media y el desvio son los dobles más cercanos de la media y del desvío exactos (el desvío con n - 1); la mediana es exacta. La media se acumula por bloques con una suma exacta —cada bloque se parte en sumandos que se suman sin redondeo—, así que no depende de cómo se agrupen las filas, de que los valores se cancelen ni de la precisión con que la plataforma acumula sum(); también es la más cercana cuando es subnormal y cuando la columna junta valores de más de 2^900 (8,5e270) con otros diminutos, que se suman aparte para que no se pierdan. El desvío sale de la suma de los cuadrados, exacta o con una cota de error demostrada, y se elige comparando con aritmética exacta contra los puntos medios entre dobles vecinos; si la cota no alcanza para decidir, la columna se recorre otra vez con la suma exacta. Vale con cuadrados que desbordan (1e200) o que caen en los subnormales. La única excepción: en una columna con un valor 2^885 veces menor que el mayor, el cuadrado de ese valor entra con una cota, y el desvío puede quedar a un ulp sólo si el exacto cae a menos de 2^-1700 relativos de un punto medio (un empate, en la práctica). La mediana se calcula con median() sobre el vector entero y no como el cuantil 0,5. mean() y sd() no son la referencia: pueden quedar a varios ulps. Medido sobre rnorm(2e6) con set.seed(1): mean() a 208 ulps de la media exacta y la media en la exacta; sobre c(-2^51, 1, 2, 2^51), 0.75; sobre ((1:25) %% 7 - 3) * 0.3, sd() y el desvío en doble a un ulp del exacto. Quien rehaga mean() o sd() sobre una columna y vea otro último dígito está viendo esto y no un error.

La unidad viaja al lado de la cifra

El campo unidad dice en qué unidad están las cifras que la fila publica —minimo, maximo, media, mediana, desvio—, y queda en NA cuando la columna no declara ninguna. Es una sola pregunta, y por eso no se confunde con numero_texto_unidad, que es la unidad que un valor de texto traía pegada al número ("12 kg"), ni con la unidad de clasificar_variables(), que es la unidad declarada del dato.

Sin este campo, columnas medidas en unidades distintas publicarían filas idénticas: units::set_units(c(1, 2, 3), "m") y la misma en "km" dan las dos media = 2 y desvio = 1, y un Period de dos días publicaría 172800 sin decir que son segundos. Por clase:

  • units y difftime: la unidad declarada, en forma canónica (km/h, m^2, kg*m/s^2). difftime publica sus estadísticos en esa unidad: una columna de minutos publica media = 75 con unidad = "mins": sin la unidad al lado, un 75 no sería una medida. Los valores van en la unidad declarada por la columna, sin convertir a segundos: convertirlos publicaría un número que no está en la columna.

  • Period, Duration, Date y POSIXt: "segundos", que es la unidad en la que sale desvio.

  • cualquier otra columna que declare un atributo units —eso circula como metadato en datos importados— publica lo declarado, porque sus cifras están en esa unidad.

  • el resto: NA. El campo no inventa una unidad donde no hay ninguna.

Y se calla cuando la fila no publica ninguna cifra cuantitativa, o sea cuando estado_resumen_cuantitativo vale "no_aplica": el atributo units lo puede llevar cualquier clase, y un factor con attr(x, "units") <- "kg" publicaría unidad = "kg" al lado de media = NA. Una unidad de cifras que no existen no contesta la pregunta del campo. El discriminador es ese estado y no una lista de clases, así que una columna units de puros NA sí declara su unidad: su clase se resume, y la unidad dice en qué estarían sus cifras.

Si una columna declara más de una unidad —un atributo units de largo mayor que uno, que ningún objeto units produce pero un dato importado sí—, el campo las publica todas separadas por coma. Ese valor no es una unidad: dice que la declaración está mal. Quedarse con la primera sería elegir una por el usuario, justo lo que este campo evita.

Y comparar_perfiles() compara este campo como un aspecto propio, con la severidad de un cambio de tipo: publicar la unidad sin compararla no alcanzaría, porque lo que importa es que una entrega donde cambió la unidad muestre el cambio.

Una columna de períodos expresados sólo como mes y año informa la granularidad "mes" en formatos_fecha y deja los resúmenes de fecha en NA con estado_resumen_cuantitativo = "granularidad_incompleta": asignar el día 1 para obtener un mínimo o una media también sería inventar un dato. Si esos períodos son minoritarios dentro de una columna que también contiene fechas con día, los resúmenes se calculan sólo sobre las fechas completas y declaran estado_resumen_cuantitativo = "calculados_sobre_dias", junto con n_fechas_resumidas y n_fechas_excluidas_granularidad. El mínimo y el máximo son entonces condicionales al subconjunto con día; no representan un rango de toda la columna.

Los dos conteos que acompañan a ese estado cuentan cosas distintas. n_fechas_excluidas_granularidad cuenta sólo las fechas que quedaron fuera por ser de granularidad mes, y queda en NA cuando los formatos se descubrieron sobre una muestra: ese número se deriva de los formatos detectados en la muestra mientras el resumen recorre la columna entera, así que atribuir la causa exigiría rehacer la detección sobre todo, que es el costo que el muestreo existe para evitar. n_valores_excluidos_resumen es el campo general —el mismo que usan las columnas numéricas— y cuenta todo valor presente que no sostiene el resumen, sea un período de mes o un texto que ningún formato pudo leer. Siempre que ese total sea mayor que cero, el perfil agrega una fila resumen_cuantitativo en cobertura_diagnosticos, haya muestreo o no.

Para números ordinarios, los estadísticos cuantitativos se calculan sólo con valores finitos; n_nan, n_infinito_positivo y n_infinito_negativo declaran lo excluido. En columnas integer64 que exceden el entero máximo representable exactamente por double, minimo y maximo quedan en NA y los extremos exactos se conservan en minimo_exacto y maximo_exacto. La mediana depende sólo de sus una o dos centrales: se publica si cada una cabe exacta en un doble —valor absoluto menor que 2^53— y queda en NA si no. Lo mismo vale para una columna de texto con esos enteros, salvo con sentinelas_numericos declarados, que ese camino no excluye. Cuando la conversión de texto deja valores presentes afuera —haya muestreo o no, porque la conversión descarta lo que no puede leer en los dos casos—, n_valores_excluidos_resumen y estado_resumen_cuantitativo = "calculados_sobre_valores" declaran ese alcance parcial.

Los limites de Tukey se publican solo cuando hay al menos 20 valores finitos y el recorrido intercuartilico es positivo. Si falta alguna condicion, n_outliers queda en NA y cobertura_diagnosticos explica el motivo y como reunir evidencia suficiente; un IQR cero no convierte una categoria minoritaria en outlier.

El paquete distingue lo que el usuario declara de lo que él mismo sospecha, y esa distinción gobierna los resúmenes. Cuando se reemplaza sentinelas_numericos, esos valores son una declaración de ausencia y salen de media, mediana, minimo, maximo, desvio y n_outliers, igual que salen los NA y las filas que aplicabilidad deja fuera del universo; n_valores_excluidos_resumen y estado_resumen_cuantitativo declaran ese alcance. Salen también de la ley de Benford y de las relaciones aritméticas, que leen la columna como magnitud, y las dependencias funcionales y las asociaciones no evalúan la fila que los tiene: la misma celda no puede ser ausencia en el resumen y valor en un diagnóstico. La lista por omisión —-9, -99, -999, -9999 y 999— es en cambio una conjetura del paquete: se informa como faltantes_disfrazados pero no se retira de los resúmenes, porque 999 también puede ser un dato legítimo y actuar sobre una sospecha cambiaría números que nadie pidió cambiar.

moda, frecuencia_moda, n_distintos, tasa_distintos y longitud_* describen la representación almacenada y siguen contando esos valores, del mismo modo que cuentan un Inf que los estadísticos excluyen o un "N/A" textual. Por eso moda puede quedar fuera del rango que informan minimo y maximo: no es una contradicción sino la diferencia entre describir lo guardado y resumir lo que vale como dato, y los conteos —n_valores_excluidos_resumen, n_infinito_positivo, n_faltantes_disfrazados— dicen cuánto separa a los dos. Una columna de listas intenta contar sus valores distintos; si la clase no admite comparación, informa NA en lugar de afirmar cero. Las columnas compuestas —matrices, arreglos de más de una dimensión o tablas anidadas (una columna data.frame, como la de un tibble empaquetado)— se conservan como una unidad por fila: n informa las filas de la tabla, pero los estadísticos por valor —n_faltantes incluido— quedan en NA y un hallazgo explica que deben separarse en columnas con semántica explícita. Entra por la misma puerta una columna cuyos valores no se pueden escribir como texto —una vctrs_rcrd, que guarda varios campos por fila, o un vctrs_vctr sin conversión declarada—: se pregunta por esa propiedad y no por la clase, y el hallazgo tipo_compuesto_no_analizado lo dice con su clase, en vez de abortar el perfil entero. Un vector de bytes (raw) se compara y se publica por su escritura hexadecimal —moda, n_distintos—, pero no pasa por las etapas que interpretan la escritura de una persona —patrones, números escritos como texto, unidades, espacios—: un byte no es un texto escrito. Un nivel NA de un factor —el que dejan addNA() o factor(exclude = NULL)— es un faltante: cuenta en n_faltantes y no en n_distintos, igual que en la medición, en distribucion_valores(), en inferir_tipo(), en las dependencias y en las claves —detectar_claves() y sugerir_clave() no la proponen—. Un POSIXlt —lo que deja strptime()— se perfila por su instante, como el POSIXct equivalente: la misma columna en las dos clases da la misma fila. Cuando todos los valores válidos aparecen una sola vez no hay moda, y moda queda en NA. Lo que se publicaría es el ganador de un desempate de tantas vías como valores haya, y ese desempate sigue el orden de ordenamiento, que depende de cómo esté guardada la columna: la misma columna c(-5.5, -1, 0, 3.75) daría -5.5 como número y -1 como texto. frecuencia_moda se conserva —vale 1, es cierto y es la evidencia de por qué la moda quedó callada—. Con un solo valor distinto sí hay moda, aunque su frecuencia sea 1: ahí no hay empate que resolver.

Una columna numérica emite valor_concentrado como señal sospechoso cuando tiene al menos 20 valores válidos y 10 valores distintos, y su moda tiene una frecuencia al menos cinco veces mayor que la del segundo valor más frecuente y representa al menos 0,15 de los valores válidos. La elegibilidad es parte de la señal: una columna con menos categorías no recibe una fila de cobertura_diagnosticos, porque allí la moda es la distribución. La evidencia publica el valor modal, ambas frecuencias, el cociente y la fracción. La regla se calibró sobre 114 columnas limpias: no produjo ningún falso positivo, con un margen medido de 2,2 veces. Es una sospecha, no una acusación: un valor legítimo puede dominar. Sus puntos ciegos medidos son las concentraciones por debajo de 15 % y los empates naturales en columnas enteras pequeñas, donde el cociente puede quedar por debajo de cinco.

La ley de Benford se evalúa sólo en columnas numéricas con al menos 50 valores finitos; las columnas compuestas —matrices, arreglos de más de una dimensión o tablas anidadas— no son magnitudes por fila y quedan fuera del análisis. Antes de comparar exige variación, que la columna no parezca un identificador ni una secuencia correlativa, al menos 100 observaciones positivas utilizables, una proporción de positivos igual a 1 y tres órdenes de magnitud según log10(max/min). Una secuencia correlativa es una columna de enteros que cubre al menos la mitad del tramo entre su mínimo y su máximo sin repetirse —al menos un 90 % de valores distintos—: una magnitud entera acotada también llena su tramo cuando se cargan filas suficientes, pero repitiendo valores, y la exclusión no puede depender de cuántas filas se cargaron. Es la regla de numeración de todo el perfil (ver secuencia_entera_densa más abajo), y una clave declarada excluye a Benford siempre, como una columna declarada en columnas_codigo. Si falla alguna precondición no emite un hallazgo: la enumera en cobertura_diagnosticos. Si aplica, meta$benford$resultados conserva la distribución observada y esperada por primer dígito, el chi-cuadrado de Pearson, ocho grados de libertad y el valor p; si entre los positivos hay valores que el perfil cuenta como faltantes disfrazados sin que estén declarados, sin_faltantes_disfrazados publica la misma prueba sin ellos, y el hallazgo dice si la desviación se mantiene o la producen ellos. meta$benford$umbrales publica todos los cortes. Un valor p menor que 0.01 genera desviacion_benford como señal descriptiva para revisar, no como evidencia de fraude o manipulación. Topes administrativos, redondeos, precios psicológicos y subsidios de monto fijo son explicaciones posibles.

Las relaciones aritméticas se buscan sólo entre columnas numéricas sin clase declarada y con variación: una columna que declara una clase propia —Date, POSIXt, difftime, integer64, units, lubridate::Period o cualquier otra— no participa, porque sumarla o dividirla no es la aritmética de un doble; el texto numérico y las columnas constantes tampoco. Las Las columnas que publican cifras cuantitativas y quedan fuera por su clase se declaran una por una en cobertura_diagnosticos: integer64, units, lubridate::Period, haven_labelled y difftime. El criterio no es is.numeric() —que responde FALSE sobre un difftime— sino si la fila publica minimo, maximo y media como números: ahí la ausencia de hallazgo se lee como conformidad y por eso hay que declararla. difftime está en esa categoría porque publica su resumen cuantitativo: sin declararlo quedaría mudo en los dos diagnósticos mientras units los declara —la misma columna, con las mismas cifras, tratada de dos maneras—.

Una fecha y una hora no entran en esa declaración, y eso es deliberado: no publican media como número pelado —su resumen sale en media_fecha y compañía—, así que su silencio se lee distinto, y no son magnitudes para estos diagnósticos. Quedan fuera del mismo modo que una columna de texto, sin fila propia. meta$aritmetica_columnas publica las clases medidas en esta tabla. La ley de Benford sigue el mismo criterio y la misma declaración. Cada relación requiere al menos tres filas con valores finitos en todas las columnas involucradas; los NA, NaN e infinitos quedan fuera del universo que publica la evidencia. Una columna integer se suma en doble: que dos enteros pasen .Machine$integer.max no apaga la relación. Para cada terna se prueban las tres orientaciones de una identidad aditiva; esto cubre sumas y sus restas equivalentes sin informar tres veces la misma igualdad. En pares proporcionales, k es la mediana de los cocientes finitos cuya base no es cero —salvo cuando la resolución de una columna con decimales fijos hace de tolerancia (ver tolerancia_aritmetica): ahí es la constante con menos cifras que deja casi tantas filas dentro de esa resolución como la que más—, pero el cumplimiento se evalúa después también en las filas con base cero. Si una identidad aditiva ya relaciona una terna, se omiten las proporcionalidades redundantes entre su total y sus sumandos; se conserva la proporcionalidad entre los dos sumandos. Una regularidad completa se informa con severidad "ok"; si alcanza el umbral pero tiene discrepancias, sigue el criterio de las relaciones de orden y es "sospechoso". Todo esto describe evidencia observada: no declara una regla del dominio ni autoriza una corrección. Los valores de texto que no forman UTF-8 válido tampoco se convierten: se cuentan, se excluyen de los análisis textuales y generan un hallazgo con sus posiciones. Los diagnósticos de invisibles incluyen controles C0/C1, espacios Unicode, marcas direccionales, BOM y otros caracteres de transporte: los operadores invisibles de la matemática (U+2061 a U+2064), los controles de formato en desuso (U+206A a U+206F), los rellenos del hangul (U+115F, U+1160, U+3164 y U+FFA0) y la etiqueta de idioma U+E0001. La evidencia los muestra como puntos de código; los espacios Unicode se detectan aunque sólo se normalizan mediante una acción explícita, y ZWJ/ZWNJ (en n_invisibles_significativos) y las etiquetas Unicode (U+E0020 a U+E007F, las que arman banderas como la de Escocia; sólo en n_controles_invisibles) se informan pero se conservan porque pueden ser semánticos. La comparación de duplicados con normalizar = TRUE aplica estas mismas clases sin borrar ZWJ/ZWNJ ni las etiquetas. El resto del texto se cita con sus caracteres, y no con los escapes de punto de código de encodeString(), que dependen del locale: la evidencia es la misma bajo C y bajo un locale UTF-8, y el ejemplo que cita casa con el de la tabla de patrones.

Un valor double subnormal —distinto de cero y menor que .Machine$double.xmin en valor absoluto, unos 2,2e-308— casi siempre sale de reinterpretar un patrón de bits o de un desbordamiento por defecto. El hallazgo valores_subnormales los cuenta y da sus filas, con severidad sospechoso. El caso que motiva el diagnóstico es leer una tabla donde una columna de enteros grandes se escribió como doble reinterpretando los bits: los números salen del orden de 1e-314 y, al venir así desde el origen, ninguna comprobación cruzada los contradice.

No es concluyente, y el hallazgo no lo afirma. Un cálculo que desborda por defecto cae legítimamente en ese rango —2^-1050 da 8,3e-317—, y una columna de p-valores o de verosimilitudes muy pequeñas puede dispararlo sin que haya nada roto. Lo que se publica es el hecho medido —cuántos valores son subnormales y en qué filas—, no un veredicto sobre su origen.

Los resúmenes de fecha-hora se expresan siempre en UTC y llevan el sufijo UTC en el texto para hacer visible la zona aplicada. El instante se conserva aunque la columna de entrada use otra zona horaria. Las columnas POSIXt declaran zona_horaria_origen y n_filas_fecha_civil_distinta_utc, que cuenta filas cuya fecha civil cambia al mostrar el instante en UTC. Cuando la fecha civil cambia se emite un hallazgo zona_horaria_fecha_hora; si la zona de origen no está declarada, el conteo queda en NA y cobertura_diagnosticos declara que no se evaluó. Una columna de texto cuyos valores llevan el desplazamiento horario escrito (2020-01-31T23:30:00-03:00) también publica su instante en UTC, y su fecha civil puede no ser la escrita: el conteo es de las columnas POSIXt y queda en NA, y cobertura_diagnosticos declara igual que no se evaluó. La zona se declara en la columna original, por ejemplo: attr(x, "tzone") <- "America/Montevideo".

El diagnóstico de formas Unicode compara sin modificar el texto y puede usar el paquete opcional stringi para enriquecer la evidencia cuando existen caracteres no ASCII. columnas$unicode_evaluado declara si esa comprobación pudo ejecutarse; en texto no ASCII sin stringi queda FALSE, n_variantes_unicode queda en NA y cobertura_diagnosticos informa la dependencia ausente. Las columnas ASCII se evalúan siempre y conservan cero. El perfil de comparación es completamente R base.

Hay un segundo caso en que unicode_evaluado queda en FALSE, y no es una dependencia ausente: cuando todos los valores de la columna traen bytes que no forman UTF-8 válido, no queda texto que analizar. Ahí las pasadas que dependen de texto legible no llegan a correr, así que n_codificacion_rota, n_codificacion_reparable, n_codificacion_reparable_parcialmente, n_codificacion_irreparable, n_codificacion_no_se_pudo y estado_codificacion_reparacion quedan en NA en vez de en cero: un cero afirmaría no haber encontrado nada, y lo cierto es que no hubo nada que mirar. n_codificacion_invalida sigue contando esos valores y el hallazgo codificacion_invalida, de severidad error, sigue declarando que se excluyeron.

Esas cifras no son una partición. n_codificacion_rota cuenta cada valor afectado una sola vez; n_codificacion_reparable y n_codificacion_reparable_parcialmente, los que el motor reparó del todo o en parte; n_codificacion_irreparable, los que traen el carácter de reemplazo U+FFFD, cuyo original ya no está; y n_codificacion_no_se_pudo, los que el motor reconoce como mal convertidos y no pudo reparar. Un valor con U+FFFD suele contar en las dos últimas, así que sumarlas no da n_codificacion_rota.

Los nombres de columna que el perfil publica —en columnas$columna y en todo lo que nombre una columna: claves, relaciones, dependencias, hallazgos, patrones, el plan de remediación y el reporte— son los nombres de la tabla de entrada tal como llegaron, con sus bytes y su marca de codificación. Eso significa que sirven para indexar esa misma tabla —datos[[nombre]]— sea cual sea el LC_CTYPE de la sesión. El paquete deriva una representación de trabajo para comparar y desambiguar internamente, pero no la publica: dos nombres con bytes distintos siguen siendo dos columnas distintas. Al componer texto publicado —en particular las sugerencias de posible_ausencia_estructural— usa una copia marcada como UTF-8 del nombre, sin modificar el nombre conservado en la tabla. Por eso una sugerencia como perfilar(datos, aplicabilidad = list(entero = ~ categoría == "categoría")) conserva el nombre real también bajo LC_CTYPE = "C" y se puede copiar y pegar.

La identidad de la columna no depende de esa exclusión: n_distintos, moda y frecuencia_moda comparan la representación almacenada, que se puede distinguir sin decodificarla. Un valor ilegible cuenta como valor, y la moda que se publica es el valor original tal como llegó, sin reinterpretarlo. Cuando ese valor es numérico, su representación textual se formatea con notación fija, con la precisión completa —las cifras que hacen falta para volver al valor: 0.1 + 0.2 se publica 0.30000000000000004, no 0.3— e independiente de scipen y de digits, igual en perfilar() y en los caminos de perfilar_dbi(); se conserva OutDec, porque esa marca decimal sí pertenece a la preferencia de locale de quien usa el paquete.

Las columnas sfc declaran su CRS, los tipos concretos y la dimensión (XY, XYZ, XYM o XYZM), además de geometrías vacías, validez, dominio y caja envolvente. POINT/MULTIPOINT, LINESTRING/MULTILINESTRING y POLYGON/MULTIPOLYGON son una misma familia: el hallazgo de tipos mixtos aparece sólo al combinar familias o ante GEOMETRYCOLLECTION. La validez se calcula siempre con GEOS en el plano, sin CRS, para que el resultado no dependa de que s2 esté instalado; validez_criterio publica "planar" y n_validez_evaluados publica su universo, que incluye las geometrías vacías porque GEOS sí devuelve su validez. Si hay una dimensión M, se aplica sf::st_zm() y se valida la topología XY; validez_preprocesamiento = "st_zm(x)" declara esa transformación. Si el CRS es geográfico —con SRID mezclados, si todos lo son—, un fallo es sospechoso y no un error, porque no afirma invalidez esférica. Las dimensiones Z y M no se evalúan como medidas: dimensiones_no_evaluadas las enumera y cobertura_diagnosticos deja constancia explícita incluso cuando la validez XY sí pudo calcularse. En un CRS geográfico el dominio exige longitudes en [-180, 180] y latitudes en [-90, 90]. Además, las coordenadas se comparan en longitud/latitud con la BBOX del área de uso incluida en el WKT del CRS. Este control puede detectar valores en unidades incompatibles —por ejemplo, grados declarados como metros—, pero no una zona UTM equivocada cuando esa interpretación cae dentro del área de la zona declarada. Una BBOX mundial es un no-op válido; si el WKT no permite extraer la caja, el dominio queda en NA y cobertura_diagnosticos lo declara en lugar de suponer el mundo entero. Si el CRS geográfico mide desde otro meridiano de origen —París, Ferro— o en otra unidad —gradianes—, ese rango se exige en sus propias unidades y la comparación con la BBOX se hace después de llevar las coordenadas a longitud/latitud WGS 84. Un componente vacío de una geometría que no es vacía —un POINT EMPTY dentro de una colección o de un MULTIPOINT— no es una coordenada y no cuenta como fuera de dominio. Las geometrías vacías se cuentan aparte y no integran el universo del dominio ni de la bbox. n_dominio_evaluados y n_bbox_evaluados publican ambos universos; la bbox se calcula sobre coordenadas crudas de geometrías no vacías, incluidas las que el dominio marque fuera, y bbox_alcance lo declara. Si todas son vacías, sus conteos evaluados y fuera de dominio son cero. geometria_vacia y tipos_geometria_mixtos cuentan sobre las geometrías medidas: un valor ausente de una columna de texto o un valor que no se pudo convertir no es una geometría y no entra en su denominador. Sin CRS, n_fuera_de_dominio queda en NA y se emite crs_no_declarado: nunca se supone EPSG:4326. Si falta el paquete opcional sf, todos esos campos quedan en NA, no se emite un hallazgo geométrico y cobertura_diagnosticos registra la dependencia ausente. Si sf está instalado pero no se pudo cargar en la sesión —con LC_NUMERIC en coma no carga su dependencia units—, pasa lo mismo y el motivo lo dice: no pide instalar lo que ya está.

Una columna cuyos valores son data.frame o matriz —lo que devuelve un driver al leer un STRUCT— declara n en filas, como cualquier otra: tiene tantos valores como la tabla, y lo que no se puede es analizarlos como texto, que se declara aparte en cobertura_diagnosticos.

Con un universo aplicable declarado, los conteos y los índices de geometría se restringen a ese universo, igual que el resto del perfilado: una geometría que la regla dejó afuera no cuenta como vacía, ni como inválida, ni como fuera de dominio, y n_geometrias, n_dominio_evaluados y n_validez_evaluados describen el universo. Los dos evaluados cuentan sólo lo que de verdad se evaluó dentro de él: no entran las geometrías que el presupuesto no analizó, los valores ausentes de una columna de texto ni, para el dominio, las geometrías vacías. El presupuesto geométrico —los topes lupa.max_geometrias y lupa.max_vertices, que acotan la validez y el dominio— se gasta primero en el universo, con el mismo muestreo uniforme si el universo solo ya excede el tope, y lo que sobra va al resto de la columna. Si aun así quedaron geometrías del universo sin analizar, cobertura_diagnosticos dice cuántas, junto al recorte de la columna; si el recorte cayó entero fuera del universo, también lo dice. Tres campos son la excepción y conviene saber por qué: n_bbox_evaluados, n_geometrias_analizadas y n_vertices_analizados cuentan el trabajo que se hizo sobre la columna entera —el universo y lo que el presupuesto alcanzó del resto—, no filas de un universo: el análisis geométrico corre sobre la columna, porque necesita su CRS y sus tipos, así que se publican tal como se midieron. Recortarlos a ojo sería inventar un número: no hay conjunto de índices del que derivarlos.

Una columna de texto puede ser una geometría. Se reconoce como WKT o WKB (crudo o hexadecimal) cuando la mayoría de una muestra de 20 valores tiene esa forma; si después hay valores que no se pueden convertir, la pérdida se declara con su cifra en motivo_representacion y en cobertura_diagnosticos, y las métricas cubren el resto: un valor que no convierte no borra la medición de la columna. A sf sólo llega lo que tiene la forma de su representación —un WKT de los tipos que el perfil mide, con su dimensión Z o M y colecciones anidadas como las que escribe PostGIS, o un WKB de encabezado plausible—; el texto corrupto y las curvas se declaran como no convertidos. Si los valores declaran su SRID —SRID=n; en EWKT, o EWKB—, la columna se mide por SRID y no se acusa crs_no_declarado, aunque ningún valor se haya podido convertir. Esa columna se sigue perfilando como texto en lo que toca a su escritura —espacios, codificación, invisibles—, pero no recibe los diagnósticos que leen los valores como palabras o como claves —la proximidad de vocabulario, posible_identificador, patron_raro—: cobertura_diagnosticos declara que no aplican. El argumento normalizar declara el perfil de comparación que se conserva en meta$normalizacion; cambia sólo la representación usada para comparar, no el texto guardado. TRUE usa el perfil predeterminado, FALSE desactiva sus pasos configurables, "amplio" activa los tres pliegues optativos y normalizacion() permite declararlos. También admite una lista nombrada por columna. meta$normalizacion_fusiones informa, para cada paso activo, la diferencia entre los valores distintos con el perfil completo y los valores distintos con ese paso apagado y todo lo demás igual. Esa comparación responde cuánto aporta cada paso por separado; sus números no son aditivos porque dos pasos pueden fundir el mismo par. n_distintos y n_distintos_normalizados declaran el total antes y después del perfil completo. La descomposición canónica es siempre activa y forma parte de la línea base, no una fila configurable. Un valor con marca bytes entra con su clave de bytes —cada byte alto escrito \xHH—, como en detectar_claves() y detectar_duplicados_aproximados(): bytes declara que eso no se interprete como texto, así que no se pliega con el mismo texto marcado UTF-8. Los tres cuentan igual n_distintos_normalizados. Con normalizar = FALSE no hay pasos configurables que medir y el informe de fusiones queda en NULL; en un perfil por columna sólo se incluyen las columnas con algún paso activo. Si detectar_duplicados_aproximados() recibe un perfil, puede reutilizar este informe ya calculado. El informe usa el vocabulario completo: n_distintos y n_usados son el número de valores distintos realmente comparados y el estado es exacto. Las fusiones son una propiedad de pares, por lo que muestrear valores aislados podría dejar fuera los dos miembros de cada par y convertir una fusión real en un cero falso. La normalización se vectoriza para que este alcance completo no dependa de la cardinalidad de la columna. Las columnas sin ausentes que tienen al menos 100 filas y 90 % de valores distintos producen un hallazgo casi_clave cuando el valor dominante concentra al menos la mitad de los duplicados excedentes. La concentración se calcula sobre las repeticiones posteriores a la primera de cada valor, no sólo sobre la tasa de distintos. La evidencia declara el mínimo de filas, ambos umbrales, los valores que colisionan y sus frecuencias. Las variables con rol propuesto fecha, incluidas fecha-hora, se excluyen. Así una colisión concentrada queda separada del texto libre de alta cardinalidad con repeticiones dispersas. Un vector double sólo participa si todos sus valores finitos son enteros; así se conservan identificadores importados con ese almacenamiento y se excluyen medidas con alguna parte fraccionaria, como importes o coordenadas. Los vectores integer64 se tratan como enteros semánticos. La evidencia del hallazgo declara este criterio y el recuento observado. Además, si casi_duplicados_vocabulario = TRUE, el perfil busca variantes casi duplicadas en columnas de texto. Agrupa el vocabulario crudo mediante fusiones exactas de la normalización y estrellas de distancia centradas en un valor de frecuencia estrictamente mayor y único; los empates no se fuerzan. No cierra cadenas transitivamente ni elige una forma canónica. La unidad es el valor distinto, no la fila, y cada variante conserva su frecuencia. Cada grupo declara sus distancias mínima y máxima. El límite max_proporcion_grupo_vocabulario evita presentar un grupo que abarque casi toda la columna como un diagnóstico útil: en ese caso el alcance dice que el diagnóstico no aplica. Ese límite se activa desde 20 valores distintos o cuando el grupo mayor ya tiene 10 variantes; sólo suprime el grupo si además ocupa una fracción mayor que el umbral. Así un grupo de tres en cuatro valores se entrega, pero quince variantes que ocupan toda una columna no se presentan como una sola familia. Un grupo grande dentro de un vocabulario mucho mayor puede seguir pasando si su proporción es pequeña. El alcance expone ambos cortes. El argumento permite apagar el detector cuando no corresponde a la tabla. Si hay pares cercanos pero todas las frecuencias empatan, el alcance declara que no hubo asimetría para formar una estrella y sugiere detectar_duplicados_aproximados() para comparar filas. El alcance clasifica cada grupo como normalizacion_exacta, dentro_de_palabra, token_completo, token_unico, mixta o indeterminada. La primera indica una coincidencia tras normalizar; dentro_de_palabra, una diferencia dentro de un token; token_completo, diferencias en tokens completos; token_unico, que ambos valores son un único token y la clase estructural no aplica; mixta, aristas de más de una clase; e indeterminada, que no hubo aristas clasificables. Son evidencia descriptiva, no una decisión sobre identidad. El agrupamiento no cambia por esa etiqueta. El alcance también descarta aristas de distancia cuyos números no coinciden. Se comparan las secuencias numéricas, quitando ceros de relleno y separadores de miles; una diferencia numérica se trata como otra entidad. Esto puede dejar sin agrupar una errata dentro de un número, porque no hay evidencia para distinguirla de dos entidades reales. El alcance declara los valores y pares comparados, los recortes por cardinalidad y si stringdist no estuvo disponible; también informa cuántas aristas se descartaron por esa regla y el tamaño compatible después del filtro. El tamaño máximo usado para el límite conserva el componente potencial antes del filtro numérico, para que una familia de entidades numeradas no vuelva a presentarse como una sola variante; el tamaño compatible se muestra aparte. Ese límite decide sobre los grupos que contienen formas con números. Un grupo sin números, que el filtro nunca une con una forma que los tenga, se conserva además si el mismo límite medido sobre los grupos sin números lo admite: una familia numerada no calla una errata de texto de la misma columna. El denominador sigue siendo el vocabulario entero de la columna, con las formas con números, así que el veredicto es el que la columna daría si la familia no se encadenara: una cadena sin números que ocupa una fracción chica del vocabulario se publica igual junto a la familia que junto a códigos que no se encadenan o a cualquier otro texto. Entonces la cobertura dice que el diagnóstico no aplica a las formas con números y la evidencia agrega grupo_maximo sin numeros. Para mantener acotado el perfil, por omisión se evalúan hasta 5.000 valores distintos y 2.000.000 de pares de unidades normalizadas; si se alcanza un límite, la evidencia lo declara y no presenta el resultado como universo completo. Las fusiones exactas se informan aun sin ese paquete opcional. Antes de formar esos grupos se retiran los valores que el mismo perfil ya informó como faltantes_disfrazados. El diagnóstico fuerte de ausencia tiene precedencia: un centinela no se presenta también como posible variante de un valor válido. El alcance declara cuántas observaciones retiró este filtro.

La corazonada de centinelas numéricos se apaga sobre una numeración limpia, para no llamar ausencia a un código válido. densa responde a la cobertura del rango —densidad_secuencia_entera por encima de su umbral— y a que los valores casi no se repitan: al menos un 90 % de valores distintos, descontando el excedente de la moda. Cubrir el rango sola lo cumple también una magnitud entera acotada cuando se cargan filas suficientes, y con esa condición sola el veredicto dependería de cuántas filas se leyeron; una numeración que se repite —un código de catálogo, una clave foránea— no se distingue por su forma de esa magnitud y no se trata como numeración. Esa condición de no repetirse es la misma en todas las reglas de numeración del perfil, y dentro de la fila la pregunta «¿es una numeración?» tiene una sola respuesta: una columna de enteros —guardada como entero, doble, integer64 o texto que se lee número— que cubre al menos la mitad del tramo entre su mínimo y su máximo con cinco valores distintos o más, casi sin repetirse y sin un salto de escala ni una moda que sobresalga, o una secuencia densa con al menos un 90 % de valores distintos. Esa respuesta publica posible_identificador, apaga los límites de Tukey, hace que tipo_declarado_distinto no proponga convertir la columna a número y que patron_raro no cuente como desvío a los valores que sólo difieren del dominante en la cantidad de cifras —los 1 a 9 de una numeración que arranca en 1—; esto último vale también para una secuencia densa que no es numeración, porque un tramo lleno trae todos los largos. Benford la usa como una de sus razones para excluir una columna. secuencia_entera_densa mide la cobertura del tramo y no decide sola si la columna es un identificador. Por eso un código de catálogo que se repite —un EstCod de 1 a 284— recibe límites de Tukey y, con tres órdenes de magnitud, Benford, aunque se lo pase como texto o como factor: el paquete infiere número. Para eso está columnas_codigo. moda_sobresale_secuencia_entera es una señal independiente y no cambia los tres escudos de forma que dependen de la numeración. En una columna integer64, bit64 se carga de manera diferida para registrar sus métodos antes de medir. Desde bit64 4.0.5, la versión más antigua medida, el perfil es el mismo que con la actual: el paquete empareja los valores por su texto, sin depender del método mtfrm.integer64 que bit64 registra desde la 4.6.0. Si bit64 no está instalado, perfilar() no perfila la columna: se niega con la condición lupa_error_integer64, porque sin él R lee los valores como los bits de un doble e iguala entre sí todos los negativos, y los distintos, la moda y la mediana saldrían mal sin aviso. Si la columna tiene valores por encima de 2^53, en un doble se redondean y la densidad no se mide sobre números redondeados: las cinco medidas públicas de la secuencia quedan en NA y cobertura_diagnosticos declara que secuencia_entera no se evaluó, en lugar de darla como «no densa». La guarda vuelve a abrirse si un candidato presente queda fuera del rango de los valores restantes de la numeración, o si la frecuencia del candidato es la moda sobresaliente. Esta segunda señal se mide por el salto entre frecuencias consecutivas, ordenadas de mayor a menor y mirando sólo las primeras posiciones. Es el mismo idioma que salto_de_escala_secuencia_entera usa con los huecos: lo que delata a un centinela no es que su frecuencia sea grande, sino que haya un acantilado entre el grupo que sobresale y el resto de la distribución.

Comparar contra un valor concreto no alcanza, y cada intento lo rompió un caso distinto: contra el segundo valor, un señuelo legítimo y frecuente infla el segundo puesto; contra la frecuencia típica exigiendo forma de numeración, un centinela masivo sobre una clave foránea nunca la tiene; y con las dos juntas, varios centinelas empatados se cubren entre sí —tres valores con la misma frecuencia dejan «máximo igual al segundo» y la comparación vacía—. El acantilado ve los tres porque no le importa quién es el segundo sino dónde se corta la distribución.

Se miran sólo las primeras posiciones porque el grupo que sobresale está arriba: en la cola, una caída de dos apariciones a una da un salto que no dice nada de la columna. Medido sobre las diez columnas numéricas del banco real y dos formas de clave foránea, ninguna pasa de 1,71; los casos que hay que atrapar van de 4,75 a 249. Perder la condición de numeración no genera un hallazgo por sí solo: sólo devuelve la columna a la mirada de la lista de centinelas. En una numeración compacta, un candidato fuera de rango también abre la guarda aunque su frecuencia no forme un acantilado.

El factor de frecuencia sólo califica la señal moda_sobresale: una caída menor no abre esa vía, pero tampoco bloquea la vía independiente del rango. Así, un candidato fuera de rango se informa aunque aparezca cuatro veces y no forme un acantilado. Lo que el usuario declara con sentinelas_numericos atraviesa la guarda y se informa con severidad error, que es la regla general del paquete: excluye lo que se declara e incluye lo que sospecha.

La clasificación de posibles datos personales es más amplia que la protección. Cada clasificación declara poder_discriminante y proteger:

  • debil: una forma genérica, como siete a doce dígitos, coincide también con importes, facturas y códigos; se informa y no se ocultan su moda, sus ejemplos ni sus estadísticos. En la evidencia de sus hallazgos se tapan sus valores de seis caracteres o más —la colisión de una casi clave—, no la evidencia entera, así que la que no cita ningún valor se publica ("4939 valores distintos de 5000 (0.988)", "3 valores"); sin la tabla —un perfil que se vuelve a proteger al guardarlo— no hay valores con que barrer y se tapa entera;

  • medio: el nombre de la columna expresa una categoría personal (por ejemplo telefono, fecha_nacimiento o fecha_fallecimiento); se protege aunque sus valores no se puedan validar. El nombre tiene prioridad sobre una forma numérica genérica y también determina la etiqueta de tipo. Cada palabra vale también abreviada como se la escribe en una base —tel, telef, fono, cel, dir, domic, nom, ape, doc, ced, e_mail—, en plural —también la abreviatura: tels, cels, fonos, noms, dirs—, con un número pegado (telefono2, apellido1), en camelCase (NombreCliente, nroDoc), en las formas pegadas de los sistemas heredados, enumeradas (nrotel, TELCEL, nomape, NOMBRECOMPLETO, nrodoc, dirpart), y en la nomenclatura GIK de GeneXus, con la fecha abreviada Fch (PerFchNac, CliFchNac, FchNac, PerFchDef, PerFchFall; también FNac); mov no, que es también un movimiento, ni FchFalla o FchDefinitiva, que son otras fechas. La sigla del documento vale también escrita con un punto o un guion bajo tras cada letra, entera —C.I., como se encabeza la cédula en una planilla, C.I, C. I., Nro. C.I., C.I. Titular, D.N.I., y c_i o nro_c_i, como los deja janitor::clean_names()—: con C.I., como con CI, las cédulas sin dígito verificador se protegen. C.I.I.U., la actividad económica, no es un documento. Una palabra de nombre —nombre, apellido— la expresa en cualquier lugar del nombre: nombre_cliente es un nombre, y también nombre_jefe_grupo o nombre_grupo; una columna de números o de fechas no lo es (cantidad_nombres), y con un lugar —nombre_departamento, nom_localidad, la categoría de cualquier base pública— decide la señal de los valores, como la palabra de persona con un lugar. Un documento por el nombre tiene que tener algún valor con seis cifras o más: cedula_valida con "S"/"N" o cod_documento con 1, 2, 9 no lo son, si son al menos veinte valores de dos distintos o más; sin valores —una columna rala que la muestra de perfilar_dbi() no alcanzó—, con pocos o con un solo valor repetido —el 0 o el "S/D" del que no tiene— decide el nombre, porque el resumen de la tabla entera publicaría sus documentos. Y la dirección de una red o de un organismo no es un domicilio (dir_ip, dir_web, direccion_general con "Direccion de Salud"). Una palabra de persona —cliente, socio, usuario, persona, paciente, titular— dice de quién habla la columna, no que guarde su nombre: la clasifica como nombre sólo si ninguna otra palabra del nombre la clasificó —direccion_cliente es un domicilio—, si el resto del nombre no dice que es otra cosa —una clave (cliente_id, id_usuario, cod_socio), un tipo, un estado o una categoría (tipo_cliente, estado_socio), un medio o una forma (medio_pago_cliente, forma_pago_cliente), un lugar (pais_cliente, nacionalidad_socio), una fecha (cliente_desde, fecha_alta_socio), una cantidad o un importe— y si sus valores pueden ser nombres: una columna de números, fechas o lógicos no lo es. No basta la palabra: si bastara, esas columnas se protegerían como nombres, perderían su moda y sus extremos, y sus categorías —"mayorista", "empresa"— se taparían también en las demás columnas. La misma regla vale para las demás palabras: tipo_documento es una categoría y no un documento, fecha_contacto y medio_contacto no son teléfonos, estado_correo no es un correo y tipo_domicilio no es un domicilio; sí lo siguen siendo nro_documento, documento_id, numero_celular, telefono_contacto, barrio_id, segundo_nombre o una fecha de nacimiento guardada como número. Y una palabra que el resto del nombre califica se decide con sus valores, con el tipo que ellos muestran y no el de la palabra, en el 80 % de sus valores distintos: un correo —una @, también el de una intranet: correo_alta con "jperez@intranet"—; un teléfono de siete a quince cifras escrito como teléfono —con +, con el prefijo 00598 o 598 pegado, con un cero inicial, con separadores (también puntos de a dos cifras, "099.12.34.56", o el espacio duro y la raya de una planilla), con el .0 de una planilla, con un interno o en una lista: responsable_canal con "+598 99 123 456"—, en una columna que no es de fechas; con la palabra del teléfono, también las cifras sueltas (celular_estado), salvo que el resto del nombre diga que son un importe (importe_telefono) o un plazo (telefono_plazo_dias); el celular escrito de a tres sin su cero ("99.123.456") con esa palabra, y el 598 pegado aunque la columna sea de números. No son teléfonos un importe —negativo, con centavos o con cuatro decimales ("-12345.10", "1234.5000"), con separadores de miles ("1.250.000", "12 345.50", "1.456.651,89")—, un número redondo, un código con un año o con un grupo rellenado con ceros ("2024-00001", "10-0012345") ni un documento escrito como documento; un importe con miles no empieza con cero y separa los decimales con otro signo que los miles, y el celular escrito de a tres con su cero ("099.123.456", "099 123.456", "098.765.000") o el fijo "4.732.1234" son teléfonos. Un domicilio con una marca de calle —Av., calle, Bvar., Br., Cno., Rbla., Pje., Gral., ruta, esq., apto, Dpto., Mza., km seguido de un número— en al menos el 30 % de sus distintos y sin empezar con una palabra de categoría (cliente_tipo con "Av. Italia 2345", también "Rivera entre Soca y Ellauri 1234"; "En ruta", "Radio 5 km" no lo son). O un nombre con un nombre de pila conocido —también con iniciales, "Juan A. Perez", "Juan M. A. Perez", "Juan A Perez", o un O'—, sin cifras, sin una palabra que no va en un nombre —sin, en, por—, sin empezar como un lugar —San, Villa— y que no sea una frase que empieza con un nombre de pila que es también una palabra —Dolores, Victoria— seguido de minúsculas ("Dolores musculares agudos", "Victoria local"), aunque sean dos personas (responsable_grupo con "Perez Joaquin", contacto_alta con "Ramon Acosta"); con otro nombre de pila la minúscula no cuenta, y "Juan perez" o "Juan carlos Perez" —lo que deja el autocapitalizado de un formulario— son nombres. Los acentos se leen también en latin1 sin marca, como lo deja un CSV de Windows bajo C, también en el nombre de la columna: el encabezado Dirección, Teléfono o Cédula de un CSV de Windows leído sin declarar la codificación —read.csv(check.names = FALSE), data.table::fread()— se reconoce en cualquier sesión. Y una fecha de nacimiento o de defunción calificada como categoría (nacimiento_estado) es esa fecha si sus valores son fechas; su lugar, su causa o una parte no (pais_nacimiento, causa_defuncion, edad_fallecimiento, anio_nacimiento). La forma sola no alcanza: "Gran Empresa", "Cerro Largo", "Arroz Premium" u "Oficina 101" siguen siendo categorías, y los nombres de pila que también son palabras de una categoría —Pilar, Marco, Norma, Franco, Domingo, Julio, Blanca, Celeste, Rosa, Max— no cuentan ("Primer Pilar", "Convenio Marco"). Y la palabra de quien actúa en el registro —usuario, funcionario, responsable, solicitante— con una de auditoría —alta, baja— dice quién dio el alta o la baja: ahí basta un texto que no sea una fecha ni un estado —un login "jperez", también con la inicial pegada por un guion bajo, un guion o un punto, delante o detrás ("a_perez", "o-silva", "perez.a": la a, la o o la u pegadas son una inicial, no la preposición ni la conjunción), un apellido solo, "A. Rodriguez"; no "Sin baja", "Baja definitiva" ni un estado o un motivo de una lista cerrada —"Cancelada", "Rechazada", "Renuncia", "Jubilacion", "Despido", "Fallecimiento", "Traslado", "Cese", "Fin de contrato", también en mayúsculas y en plural—; un login o un apellido que termina como un estado —"lmachado", "MACHADO, L.", "j.machado", "Machado"—, un nombre autocapitalizado —"Juan perez"— y un usuario del sistema —"SISTEMA", "MIGRACION"— cuentan como personas: junto a tres logins, uno solo que pasara por estado dejaría la columna en el 75 % y publicaría los logins de todos—; la de quien es objeto del registro pide la señal de los valores, y cliente_desde con "Sin fecha" o paciente_alta con "Traslado" se publican. El nombre no decide solo: si decidiera, esas columnas publicarían nombres, celulares y domicilios. Limitación conocida: la lista de nombres de pila no es completa, y un nombre que falta —o que es también una palabra corriente, como Max o Pilar— deja la columna sin esa señal: con tres personas, una basta para que no llegue al 80 %; una localidad con nombre de persona —"Jose Ignacio", "Juan Lacaze"— se lee como un nombre; con una palabra de categoría o de clave, un login de sólo letras o un apellido solo (responsable_grupo con "Rodriguez", usuario_id con "jperez_01") no se distinguen de una categoría o de un código y se publican, como un domicilio sin marca de calle; en la regla de quien actúa, un estado o un motivo que no está en la lista —"Ingresos superiores", "Abandono de cargo" sí está— se toma por una persona y la columna se protege; una frase que empieza con otro nombre de pila —"Mercedes centro"— se lee como un nombre, y "Victoria perez" escrito así no; el fijo con punto cuyo último grupo termina en cero ("4732.1230") se lee como un importe con cuatro decimales y el que tiene un grupo que empieza con 00 ("2400-0010") como un código rellenado, y no cuentan para el 80 % de la columna; con check.names = TRUE bajo C, R cambia la letra con tilde de un encabezado de Windows por un punto (Direcci.n) y ese nombre no se reconoce; un nombre GIK todo en minúsculas —perfchnac, pernom, como lo deja un motor que pliega a minúsculas los identificadores creados sin comillas— no se separa en palabras y no se reconoce, ni la sigla con el número delante pasada por clean_names() (n_c_i), ni con la N. del número detrás (C.I. N., que se lee como una sigla de tres letras), ni FchNac1, PerFchNacim o FCHNAC; FchFall o FchDef se leen como la fecha de defunción aunque sean la de una falla o una fecha definitiva, y se protegen de más; los códigos con un dígito tras un guion ("170177-3", "025-082916-3", "10-0123456") en una columna calificada se leen como teléfonos y se protegen; una palabra de persona con otra que no es un calificador conocido —victoria_equipo_socio— se protege por el nombre, y dir es una dirección aunque la columna sea de puntos cardinales; y las escrituras raras de un número —coma decimal con exponente, "4.685.467,00e0"— no se leen. Una columna de personas con otro nombre se declara en columnas_personales. También es medio una columna que trae correos completos sin que sean la mayoría de sus valores: un correo es un correo aunque esté solo, y la columna se protege;

  • alto: una forma muy específica, como un correo, o nombre y forma se apoyan mutuamente; se protege;

  • verificado: al menos tres valores distintos y al menos el 90% cumple uno de los validadores personales configurados; se protege incluso sin un nombre orientador. La proporción medida —la que se compara contra ese umbral— se publica en proporcion_verificada, para que una columna con el 90% no se lea igual que una con el 100%. El pack uruguayo es el predeterminado, pero puede reemplazarse por un pack_validadores() de otro país o desactivarse con FALSE. La tolerancia del 10% permite tipeos aislados sin convertir una columna real en una salida pública; el umbral es configurable.

La forma genérica de siete a doce dígitos tiene poder discriminante débil: también describe importes, teléfonos, facturas e identificadores. Las formas con separadores sólo se aceptan cuando tienen una estructura de documento reconocible (por ejemplo, una cédula con grupos y guion o un RUT con grupos de tres y cuatro dígitos); una fecha ISO, una fecha con puntos o guiones y separadores arbitrarios no se consideran documentos. Un validador de dígito que supera el umbral aporta evidencia verificable y eleva la clasificación; una forma sola nunca se trata como prueba de identidad.

Este criterio mide capacidad de discriminación, no juzga si la presencia del dato es correcta. La protección sustituye modas, ejemplos, evidencia y extremos o medianas que corresponden a observaciones reales. También los momentos: las medias en sus dos formas (media y media_fecha), porque la media de una columna personal puede reconstruir demasiado, y el desvío, que es una magnitud de sus valores. detalle_proteccion_personal hace visible la supresión y dice qué se tapó: los estadísticos de orden, la media, el desvío o los dos momentos. En fechas de nacimiento y fallecimiento, un hallazgo separado conserva el diagnóstico de valores anteriores a 1900 o posteriores a la corrida sin publicar las fechas. Los números escritos como texto reconocen tanto coma como punto decimal y sus separadores de miles simétricos. El resumen cuantitativo, los outliers y la secuencia entera los leen con la convención que la misma fila publica en numero_texto_convencion, por la misma normalización que la acción convertir_numero_regional: con "decimal_coma", 1.500 es mil quinientos. Un separador seguido de exactamente tres dígitos —1.500, 1,500— sólo se lee si la columna aporta evidencia de una sola convención; si no la aporta ("ambigua") o aporta de las dos ("mixta"), ese valor no se lee como número, con punto o con coma por igual: una columna entera de esos valores queda texto y sin resumen, y si son pocos quedan fuera del resumen y lo declaran n_valores_excluidos_resumen y "calculados_sobre_valores". El resumen lee sólo las formas que la inferencia cuenta como número, también en las filas que su muestra no miró: un primer grupo de miles con cero adelante —099.123.456, un teléfono—, un hexadecimal o un 5. quedan afuera y se declaran igual. Un número con moneda o unidad (USD 1,234.56, 12 kg) no se resume: es un número escrito como texto, y numero_texto_moneda y numero_texto_unidad publican lo que traía. Un código de tres letras mayúsculas separado del número por espacios, delante o detrás, es una moneda sólo si es un código ISO 4217 —la lista de validar_iso4217()—: USD 35 es un importe y LEY 18331 no es un número; pegado al número (35USD) no es una moneda sino un código. Un símbolo monetario —$, £, el del euro— o U$S es una moneda delante o detrás del número, pegado o separado por un espacio, también el duro o el fino que deja una planilla: 1.234,56 $, $1.234,56 y U$S35 son importes, y $ 10 y 20 $ son la misma moneda. Un valor con moneda delante y detrás ($ 35 $, USD 35 EUR) no es un número. La moneda se conserva como evidencia; monedas_mixtas informa sus frecuencias sin convertir ni suponer tasas de cambio. Una única moneda o un símbolo $ aislado no produce ese hallazgo. Un sufijo de unidad se reconoce sólo si es % o una abreviatura alfabética que termina en minúscula; por eso 12 kg y 13500 g son unidades. Un valor con un sufijo en mayúsculas que no es un código de moneda (12A, 13B, 500GB, 1.5TB) se trata como un código: no cuenta como número escrito como texto, tenga o no separador decimal, y el plan no propone convertirlo. Lo mismo un número con tres mayúsculas que no son un código ISO 4217 (ABC 13). Junto a otros números, esos valores no apagan numero_como_texto para la columna: siguen escritos como números, y para decidir si la columna guarda números como texto cuentan como tales. No entran en n_numeros_texto ni en proporcion_numeros_texto, que cuentan lo que la conversión lee; la evidencia del hallazgo dice cuántos son, y la conversión de la columna queda sin marcar mientras haya alguno. En c("1,5", "2,5", "3", "12 KG") el hallazgo nombra 1,5 y 2,5, y 12 KG no se convierte. Si hay más de una unidad observada, unidades_mixtas informa sus frecuencias y no convierte ni compara sus magnitudes. Una única unidad no genera ese hallazgo. formatos_fecha_mixtos compara representaciones dentro de una columna cuyo dominio es la fecha o la fecha-hora. Una fecha agregada adentro de una columna de horas del día —12/02/2011 6:55 a.m. entre valores 7:10 a.m.— no produce ese hallazgo, porque la columna no es de fechas: aparece como patron_raro, que es lo que de verdad cambió. Decidir que esa columna sólo debe contener horas es una regla de dominio y el paquete no la supone. Del mismo modo, un número sin sufijo no cuenta como una segunda unidad: una columna que mezcla 5 con 5 % observa una sola unidad y se informa como numero_como_texto, no como unidades_mixtas. celdas_multivaluadas es deliberadamente conservador: usa los patrones de descubrir_patrones() y exige partes numéricas, alfanuméricas o identificadoras puntuadas homogéneas, compatibles con el patrón del resto de la columna. No interpreta comas en nombres o direcciones como listas; el delimitador, la cantidad de celdas y la distribución de valores por celda quedan en la evidencia del hallazgo.

Examples

perfil <- perfilar(datos_administrativos)
perfil
#> 
#> ── Perfil de datos: datos_administrativos ──────────────────────────────────────
#> ✖ 5 hallazgos con severidad error
#> ! 9 hallazgos sospechosos
#> ✔ 7 hallazgos informativos ok
#> ℹ 8 diagnósticos no evaluados
#> 
#> ── Resumen general ──
#> 
#> Filas: 13
#> Columnas: 10
#> Celdas: 130
#> Filas completas: 13
#> Filas duplicadas: 1
#> Memoria: 7.1 Kb
#> 
#> ── Resumen por columna ──
#> 
#>           columna tipo_inferido prop_faltantes_totales n_distintos n_outliers
#>        id_persona         doble             0.00000000          11         NA
#>            cedula         texto             0.07692308          11         NA
#>  fecha_nacimiento         fecha             0.07692308          12         NA
#>              sexo         texto             0.15384615           4         NA
#>           ingreso         doble             0.07692308          12         NA
#>      departamento         texto             0.00000000          11         NA
#>              pais         texto             0.00000000           1         NA
#>            correo         texto             0.00000000          12         NA
#>          id_copia         doble             0.00000000          11         NA
#>        id_tramite identificador             0.00000000          12         NA
#> ℹ Se muestran 5 de 118 campos; los demás están en `columnas()`.
summary(perfil)
#>             columna tipo_declarado tipo_inferido estado_tipo_inferido
#> 1        id_persona          doble         doble                 <NA>
#> 2            cedula          texto         texto                 <NA>
#> 3  fecha_nacimiento          texto         fecha           confirmado
#> 4              sexo          texto         texto                 <NA>
#> 5           ingreso          doble         doble                 <NA>
#> 6      departamento          texto         texto                 <NA>
#> 7              pais          texto         texto                 <NA>
#> 8            correo          texto         texto                 <NA>
#> 9          id_copia          doble         doble                 <NA>
#> 10       id_tramite          texto identificador                 <NA>
#>    proporcion_tipo_inferido n_filas_analizadas_tipo muestreado_tipo_inferido  n
#> 1                 1.0000000                      13                    FALSE 13
#> 2                 1.0000000                      13                    FALSE 13
#> 3                 0.8461538                      13                    FALSE 13
#> 4                 1.0000000                      12                    FALSE 13
#> 5                 1.0000000                      13                    FALSE 13
#> 6                 1.0000000                      13                    FALSE 13
#> 7                 1.0000000                      13                    FALSE 13
#> 8                 1.0000000                      13                    FALSE 13
#> 9                 1.0000000                      13                    FALSE 13
#> 10                1.0000000                      13                    FALSE 13
#>    n_aplicables n_no_aplica n_aplicabilidad_indeterminada
#> 1            13           0                             0
#> 2            13           0                             0
#> 3            13           0                             0
#> 4            13           0                             0
#> 5            13           0                             0
#> 6            13           0                             0
#> 7            13           0                             0
#> 8            13           0                             0
#> 9            13           0                             0
#> 10           13           0                             0
#>    n_presentes_en_aplicabilidad_indeterminada
#> 1                                           0
#> 2                                           0
#> 3                                           0
#> 4                                           0
#> 5                                           0
#> 6                                           0
#> 7                                           0
#> 8                                           0
#> 9                                           0
#> 10                                          0
#>    n_presentes_fuera_de_aplicabilidad n_faltantes prop_faltantes
#> 1                                   0           0              0
#> 2                                   0           0              0
#> 3                                   0           0              0
#> 4                                   0           0              0
#> 5                                   0           0              0
#> 6                                   0           0              0
#> 7                                   0           0              0
#> 8                                   0           0              0
#> 9                                   0           0              0
#> 10                                  0           0              0
#>    n_faltantes_disfrazados n_faltantes_disfrazados_textuales
#> 1                        0                                 0
#> 2                        1                                 1
#> 3                        1                                 1
#> 4                        2                                 2
#> 5                        1                                 0
#> 6                        0                                 0
#> 7                        0                                 0
#> 8                        0                                 0
#> 9                        0                                 0
#> 10                       0                                 0
#>    n_faltantes_disfrazados_numericos prop_faltantes_disfrazados
#> 1                                  0                 0.00000000
#> 2                                  0                 0.07692308
#> 3                                  0                 0.07692308
#> 4                                  0                 0.15384615
#> 5                                  1                 0.07692308
#> 6                                  0                 0.00000000
#> 7                                  0                 0.00000000
#> 8                                  0                 0.00000000
#> 9                                  0                 0.00000000
#> 10                                 0                 0.00000000
#>    n_faltantes_totales prop_faltantes_totales n_distintos tasa_distintos
#> 1                    0             0.00000000          11     0.84615385
#> 2                    1             0.07692308          11     0.84615385
#> 3                    1             0.07692308          12     0.92307692
#> 4                    2             0.15384615           4     0.30769231
#> 5                    1             0.07692308          12     0.92307692
#> 6                    0             0.00000000          11     0.84615385
#> 7                    0             0.00000000           1     0.07692308
#> 8                    0             0.00000000          12     0.92307692
#> 9                    0             0.00000000          11     0.84615385
#> 10                   0             0.00000000          12     0.92307692
#>    secuencia_entera_densa densidad_secuencia_entera
#> 1                   FALSE              1.000000e+00
#> 2                   FALSE                        NA
#> 3                   FALSE                        NA
#> 4                   FALSE                        NA
#> 5                   FALSE              1.199988e-06
#> 6                   FALSE                        NA
#> 7                   FALSE                        NA
#> 8                   FALSE                        NA
#> 9                   FALSE              1.000000e+00
#> 10                  FALSE                        NA
#>    n_posiciones_secuencia_entera n_huecos_secuencia_entera
#> 1                             11                         0
#> 2                             NA                        NA
#> 3                             NA                        NA
#> 4                             NA                        NA
#> 5                       10000099                  10000087
#> 6                             NA                        NA
#> 7                             NA                        NA
#> 8                             NA                        NA
#> 9                             11                         0
#> 10                            NA                        NA
#>    hueco_maximo_secuencia_entera salto_de_escala_secuencia_entera
#> 1                              1                            FALSE
#> 2                             NA                            FALSE
#> 3                             NA                            FALSE
#> 4                             NA                            FALSE
#> 5                        9965499                             TRUE
#> 6                             NA                            FALSE
#> 7                             NA                            FALSE
#> 8                             NA                            FALSE
#> 9                              1                            FALSE
#> 10                            NA                            FALSE
#>    moda_sobresale_secuencia_entera umbral_densidad_secuencia_entera
#> 1                            FALSE                              0.8
#> 2                            FALSE                              0.8
#> 3                            FALSE                              0.8
#> 4                            FALSE                              0.8
#> 5                            FALSE                              0.8
#> 6                            FALSE                              0.8
#> 7                            FALSE                              0.8
#> 8                            FALSE                              0.8
#> 9                            FALSE                              0.8
#> 10                           FALSE                              0.8
#>    min_distintos_secuencia_entera                      moda frecuencia_moda
#> 1                              20                         1               2
#> 2                              20               0.000.001-1               2
#> 3                              20                1980-01-31               2
#> 4                              20                         F               6
#> 5                              20                     25000               2
#> 6                              20                   Florida               2
#> 7                              20                        UY              13
#> 8                              20 persona01@example.invalid               2
#> 9                              20                         1               2
#> 10                             20                     TR001               2
#>    longitud_minima longitud_maxima longitud_media n_longitudes_resumidas minimo
#> 1               NA              NA             NA                     NA      1
#> 2                3              11       9.692308                     13     NA
#> 3                4              10       9.384615                     13     NA
#> 4                0               3       1.076923                     13     NA
#> 5               NA              NA             NA                     NA    -99
#> 6                5              10       7.461538                     13     NA
#> 7                2               2       2.000000                     13     NA
#> 8               10              26      23.923077                     13     NA
#> 9               NA              NA             NA                     NA      1
#> 10               5               5       5.000000                     13     NA
#>     maximo        media mediana       desvio minimo_exacto maximo_exacto
#> 1       11 5.923077e+00       6 3.546396e+00          <NA>          <NA>
#> 2       NA           NA      NA           NA          <NA>          <NA>
#> 3       NA           NA      NA 1.191710e+08          <NA>          <NA>
#> 4       NA           NA      NA           NA          <NA>          <NA>
#> 5  9999999 7.900192e+05   29900 2.767287e+06          <NA>          <NA>
#> 6       NA           NA      NA           NA          <NA>          <NA>
#> 7       NA           NA      NA           NA          <NA>          <NA>
#> 8       NA           NA      NA           NA          <NA>          <NA>
#> 9       11 5.923077e+00       6 3.546396e+00          <NA>          <NA>
#> 10      NA           NA      NA           NA          <NA>          <NA>
#>    minimo_fecha maximo_fecha media_fecha mediana_fecha n_fechas_resumidas
#> 1          <NA>         <NA>        <NA>          <NA>                 NA
#> 2          <NA>         <NA>        <NA>          <NA>                 NA
#> 3    1980-01-31   1989-10-23  1984-12-02    1985-05-18                 11
#> 4          <NA>         <NA>        <NA>          <NA>                 NA
#> 5          <NA>         <NA>        <NA>          <NA>                 NA
#> 6          <NA>         <NA>        <NA>          <NA>                 NA
#> 7          <NA>         <NA>        <NA>          <NA>                 NA
#> 8          <NA>         <NA>        <NA>          <NA>                 NA
#> 9          <NA>         <NA>        <NA>          <NA>                 NA
#> 10         <NA>         <NA>        <NA>          <NA>                 NA
#>    n_fechas_excluidas_granularidad n_valores_excluidos_resumen n_ceros
#> 1                               NA                           0       0
#> 2                               NA                           0      NA
#> 3                                0                           2       0
#> 4                               NA                           0      NA
#> 5                               NA                           0       1
#> 6                               NA                           0      NA
#> 7                               NA                           0      NA
#> 8                               NA                           0      NA
#> 9                               NA                           0       0
#> 10                              NA                           0      NA
#>    n_negativos n_outliers centinela_valor centinela_repeticiones
#> 1            0         NA              NA                     NA
#> 2           NA         NA              NA                     NA
#> 3            0         NA              NA                     NA
#> 4           NA         NA              NA                     NA
#> 5            2         NA              NA                     NA
#> 6           NA         NA              NA                     NA
#> 7           NA         NA              NA                     NA
#> 8           NA         NA              NA                     NA
#> 9            0         NA              NA                     NA
#> 10          NA         NA              NA                     NA
#>    densidad_sin_centinela n_nan n_infinito_positivo n_infinito_negativo
#> 1                      NA     0                   0                   0
#> 2                      NA     0                   0                   0
#> 3                      NA     0                   0                   0
#> 4                      NA     0                   0                   0
#> 5                      NA     0                   0                   0
#> 6                      NA     0                   0                   0
#> 7                      NA     0                   0                   0
#> 8                      NA     0                   0                   0
#> 9                      NA     0                   0                   0
#> 10                     NA     0                   0                   0
#>    estado_resumen_cuantitativo unidad zona_horaria_origen
#> 1                   calculados   <NA>                <NA>
#> 2                    no_aplica   <NA>                <NA>
#> 3     calculados_sobre_valores   <NA>                <NA>
#> 4                    no_aplica   <NA>                <NA>
#> 5                   calculados   <NA>                <NA>
#> 6                    no_aplica   <NA>                <NA>
#> 7                    no_aplica   <NA>                <NA>
#> 8                    no_aplica   <NA>                <NA>
#> 9                   calculados   <NA>                <NA>
#> 10                   no_aplica   <NA>                <NA>
#>    n_filas_fecha_civil_distinta_utc fecha_civil_distinta_utc
#> 1                                NA                       NA
#> 2                                NA                       NA
#> 3                                NA                       NA
#> 4                                NA                       NA
#> 5                                NA                       NA
#> 6                                NA                       NA
#> 7                                NA                       NA
#> 8                                NA                       NA
#> 9                                NA                       NA
#> 10                               NA                       NA
#>    representacion_geometria motivo_representacion crs_declarado tipo_geometria
#> 1                      <NA>                  <NA>          <NA>           <NA>
#> 2                      <NA>                  <NA>          <NA>           <NA>
#> 3                      <NA>                  <NA>          <NA>           <NA>
#> 4                      <NA>                  <NA>          <NA>           <NA>
#> 5                      <NA>                  <NA>          <NA>           <NA>
#> 6                      <NA>                  <NA>          <NA>           <NA>
#> 7                      <NA>                  <NA>          <NA>           <NA>
#> 8                      <NA>                  <NA>          <NA>           <NA>
#> 9                      <NA>                  <NA>          <NA>           <NA>
#> 10                     <NA>                  <NA>          <NA>           <NA>
#>    dimension_geometria dimensiones_no_evaluadas n_geometrias_vacias
#> 1                 <NA>                     <NA>                  NA
#> 2                 <NA>                     <NA>                  NA
#> 3                 <NA>                     <NA>                  NA
#> 4                 <NA>                     <NA>                  NA
#> 5                 <NA>                     <NA>                  NA
#> 6                 <NA>                     <NA>                  NA
#> 7                 <NA>                     <NA>                  NA
#> 8                 <NA>                     <NA>                  NA
#> 9                 <NA>                     <NA>                  NA
#> 10                <NA>                     <NA>                  NA
#>    n_geometrias_invalidas n_validez_evaluados validez_criterio
#> 1                      NA                  NA             <NA>
#> 2                      NA                  NA             <NA>
#> 3                      NA                  NA             <NA>
#> 4                      NA                  NA             <NA>
#> 5                      NA                  NA             <NA>
#> 6                      NA                  NA             <NA>
#> 7                      NA                  NA             <NA>
#> 8                      NA                  NA             <NA>
#> 9                      NA                  NA             <NA>
#> 10                     NA                  NA             <NA>
#>    validez_preprocesamiento n_fuera_de_dominio n_dominio_evaluados
#> 1                      <NA>                 NA                  NA
#> 2                      <NA>                 NA                  NA
#> 3                      <NA>                 NA                  NA
#> 4                      <NA>                 NA                  NA
#> 5                      <NA>                 NA                  NA
#> 6                      <NA>                 NA                  NA
#> 7                      <NA>                 NA                  NA
#> 8                      <NA>                 NA                  NA
#> 9                      <NA>                 NA                  NA
#> 10                     <NA>                 NA                  NA
#>    n_bbox_evaluados n_geometrias_analizadas n_vertices_analizados bbox_alcance
#> 1                NA                      NA                    NA         <NA>
#> 2                NA                      NA                    NA         <NA>
#> 3                NA                      NA                    NA         <NA>
#> 4                NA                      NA                    NA         <NA>
#> 5                NA                      NA                    NA         <NA>
#> 6                NA                      NA                    NA         <NA>
#> 7                NA                      NA                    NA         <NA>
#> 8                NA                      NA                    NA         <NA>
#> 9                NA                      NA                    NA         <NA>
#> 10               NA                      NA                    NA         <NA>
#>    bbox_xmin bbox_xmax bbox_ymin bbox_ymax detalle_proteccion_personal
#> 1         NA        NA        NA        NA                        <NA>
#> 2         NA        NA        NA        NA                        <NA>
#> 3         NA        NA        NA        NA                        <NA>
#> 4         NA        NA        NA        NA                        <NA>
#> 5         NA        NA        NA        NA                        <NA>
#> 6         NA        NA        NA        NA                        <NA>
#> 7         NA        NA        NA        NA                        <NA>
#> 8         NA        NA        NA        NA                        <NA>
#> 9         NA        NA        NA        NA                        <NA>
#> 10        NA        NA        NA        NA                        <NA>
#>    n_blancos n_espacios_borde n_variantes_mayusculas n_variantes_unicode
#> 1          0                0                      0                  NA
#> 2          0                0                      0                   0
#> 3          0                0                      0                   0
#> 4          1                0                      0                   0
#> 5          0                0                      0                  NA
#> 6          0                0                      0                   0
#> 7          0                0                      0                   0
#> 8          0                0                      0                   0
#> 9          0                0                      0                  NA
#> 10         0                0                      0                   0
#>    unicode_evaluado n_codificacion_rota n_codificacion_reparable
#> 1                NA                   0                        0
#> 2              TRUE                   0                        0
#> 3              TRUE                   0                        0
#> 4              TRUE                   0                        0
#> 5                NA                   0                        0
#> 6              TRUE                   0                        0
#> 7              TRUE                   0                        0
#> 8              TRUE                   0                        0
#> 9                NA                   0                        0
#> 10             TRUE                   0                        0
#>    n_codificacion_reparable_parcialmente n_codificacion_irreparable
#> 1                                      0                          0
#> 2                                      0                          0
#> 3                                      0                          0
#> 4                                      0                          0
#> 5                                      0                          0
#> 6                                      0                          0
#> 7                                      0                          0
#> 8                                      0                          0
#> 9                                      0                          0
#> 10                                     0                          0
#>    n_codificacion_no_se_pudo estado_codificacion_reparacion
#> 1                          0                 no_parece_roto
#> 2                          0                 no_parece_roto
#> 3                          0                 no_parece_roto
#> 4                          0                 no_parece_roto
#> 5                          0                 no_parece_roto
#> 6                          0                 no_parece_roto
#> 7                          0                 no_parece_roto
#> 8                          0                 no_parece_roto
#> 9                          0                 no_parece_roto
#> 10                         0                 no_parece_roto
#>    n_codificacion_invalida n_controles_invisibles n_invisibles_eliminables
#> 1                        0                      0                        0
#> 2                        0                      0                        0
#> 3                        0                      0                        0
#> 4                        0                      0                        0
#> 5                        0                      0                        0
#> 6                        0                      0                        0
#> 7                        0                      0                        0
#> 8                        0                      0                        0
#> 9                        0                      0                        0
#> 10                       0                      0                        0
#>    n_espacios_invisibles n_invisibles_significativos n_entidades_html
#> 1                      0                           0                0
#> 2                      0                           0                0
#> 3                      0                           0                0
#> 4                      0                           0                0
#> 5                      0                           0                0
#> 6                      0                           0                0
#> 7                      0                           0                0
#> 8                      0                           0                0
#> 9                      0                           0                0
#> 10                     0                           0                0
#>    n_separadores_en_campo n_numeros_texto proporcion_numeros_texto
#> 1                       0               0                       NA
#> 2                       0               0                       NA
#> 3                       0               0                       NA
#> 4                       0               0                       NA
#> 5                       0               0                       NA
#> 6                       0               0                       NA
#> 7                       0               0                       NA
#> 8                       0               0                       NA
#> 9                       0               0                       NA
#> 10                      0               0                       NA
#>    numero_texto_ambiguo numero_texto_seguro numero_texto_unidad
#> 1                 FALSE               FALSE                    
#> 2                 FALSE               FALSE                    
#> 3                 FALSE               FALSE                    
#> 4                 FALSE               FALSE                    
#> 5                 FALSE               FALSE                    
#> 6                 FALSE               FALSE                    
#> 7                 FALSE               FALSE                    
#> 8                 FALSE               FALSE                    
#> 9                 FALSE               FALSE                    
#> 10                FALSE               FALSE                    
#>    numero_texto_moneda numero_texto_convencion dato_personal_posible
#> 1                                                              FALSE
#> 2                                                               TRUE
#> 3                                                               TRUE
#> 4                                                              FALSE
#> 5                                                              FALSE
#> 6                                                              FALSE
#> 7                                                              FALSE
#> 8                                                               TRUE
#> 9                                                              FALSE
#> 10                                                             FALSE
#>     tipo_dato_personal proporcion_dato_personal
#> 1                 <NA>                       NA
#> 2  documento_identidad                0.8461538
#> 3     fecha_nacimiento                1.0000000
#> 4                 <NA>                       NA
#> 5                 <NA>                       NA
#> 6                 <NA>                       NA
#> 7                 <NA>                       NA
#> 8               correo                0.9230769
#> 9                 <NA>                       NA
#> 10                <NA>                       NA
#>    poder_discriminante_dato_personal dato_personal_protegido
#> 1                               <NA>                   FALSE
#> 2                               alto                   FALSE
#> 3                              medio                   FALSE
#> 4                               <NA>                   FALSE
#> 5                               <NA>                   FALSE
#> 6                               <NA>                   FALSE
#> 7                               <NA>                   FALSE
#> 8                               alto                   FALSE
#> 9                               <NA>                   FALSE
#> 10                              <NA>                   FALSE