Construir y aplicar un plan de limpieza auditable — planificar

planificar_limpieza() transforma los hallazgos de un objeto perfil en un objeto de datos editable, sin modificar los datos examinados. Cada fila representa una acción propuesta. Sólo se marcan como recomendadas las estrategias correctas con independencia del dominio; algunas, como marcar valores extremos, permanecen inactivas hasta que se decida actuar. Las decisiones contextuales quedan desactivadas y los formatos de fecha ambiguos quedan bloqueados.

Uso

planificar_limpieza(perfil, datos = NULL, soporte_minimo_dependencia = 2L)

aplicar(plan, datos, permitir_eliminacion = FALSE, conservar_eliminados = TRUE)

Argumentos

perfil: Objeto de clase perfil creado por perfilar().
datos: data.frame, tibble o data.table sobre el que se ejecuta el plan. El objeto recibido no se modifica.
soporte_minimo_dependencia: Cantidad mínima de observaciones concordantes por valor determinante para proponer una imputación.
plan: Objeto de clase plan_limpieza o data frame con el mismo contrato. Puede filtrarse y editarse antes de aplicarlo.
permitir_eliminacion: Segundo consentimiento obligatorio para ejecutar acciones que eliminan filas o columnas.
conservar_eliminados: Si se conservan en el resultado las filas y columnas retiradas. Es TRUE de forma predeterminada.

Valor

planificar_limpieza() devuelve un data frame de clase plan_limpieza. aplicar() devuelve una lista de clase resultado_limpieza con datos, registro, plan_aplicado, el plan sincronizado y eliminados. Si una columna de entrada es un factor, las acciones que transforman su texto devuelven una columna character: no se reconstruyen los niveles originales, porque una limpieza puede introducir valores nuevos.

Detalles

aplicar() ejecuta exclusivamente las filas con aplicar == TRUE, sobre una copia de datos. Verifica que cada columna siga siendo identificable y que las conversiones sean completas antes de sustituirla. Devuelve los datos nuevos junto con un registro de las acciones y sus parámetros. El mismo registro queda en el atributo registro_limpieza de los datos resultantes.

Las alternativas para un mismo hallazgo comparten grupo; las acciones independientes usan NA. Como máximo una alternativa de cada grupo puede tener aplicar == TRUE, invariante que aplicar() vuelve a validar. No se agrega una fila ficticia para "no hacer nada": decision_grupo distingue pendiente, recomendada, desactivada, elegida y omitida, mientras recomendacion_grupo = "no_hacer_nada" representa una recomendación explícita de conservar los datos. Esto permite separar un grupo aún no revisado de una omisión deliberada.

estado distingue acciones lista, bloqueada e informativa; orden fija la secuencia reproducible. n_afectadas es la estimación del perfil y el registro informa n_cambiadas sobre los datos recibidos. reversible indica si el resultado puede deshacerse sólo con los datos transformados. La acción de codificación prueba las tablas congeladas de varias codificaciones y deja en estado_reparacion uno de reparado, reparado_parcialmente o no_se_pudo. Una reparación parcial no se activa automáticamente: debe revisarse y seleccionarse de forma explícita. La estrategia nueva se llama reparar_codificacion. El nombre histórico reparar_codificacion_latin1 se acepta como alias para planes guardados, aunque ya no limita el motor a latin-1. Si se marca una acción que no está lista, aplicar() aborta antes de modificar la copia y enumera las filas problemáticas; así no deja un conjunto parcialmente transformado cuando el plan editable contiene una selección inválida. Las acciones con destructiva == TRUE eliminan filas o columnas, nunca son recomendadas, declaran reversible == FALSE y requieren además permitir_eliminacion = TRUE. Por defecto, el resultado conserva lo retirado en eliminados; use conservar_eliminados = FALSE para evitar ese costo de memoria.

Las imputaciones por dependencia funcional se ofrecen desactivadas. Aunque una dependencia exacta permite deducir un valor sin usar media, moda o un modelo externo, sigue siendo una regularidad aprendida de una sola entrega y puede reflejar un error sistemático en vez de una regla de negocio. El plan conserva el mapa y su soporte para que el usuario la confirme; sólo entonces se aplica y se vuelve a validar contra los datos recibidos.

marcar_filas_duplicadas añade dos columnas. .fila_duplicada reproduce la semántica de duplicated() y marca sólo las apariciones posteriores; .grupo_duplicado identifica a todas las filas que participan en cada grupo de contenido idéntico.

El orden operativo se aparta deliberadamente de la secuencia dimensional frescura–completitud–exactitud–consistencia–unicidad sugerida por el marco. Primero marca duplicados sin borrar, luego normaliza ausencias y texto, y deja los cambios de esquema para el final. Esto evita perder la evidencia original, permite imputar antes de convertir tipos y mantiene identificables las columnas durante todo el plan. Las eliminaciones nunca se activan por defecto, por lo que deduplicar temprano no puede hacer desaparecer registros.

Ver también

perfilar(), guiar_limpieza(), detectar_dependencias()

Ejemplos

datos <- data.frame(categoria = c(" A", "S/D", "B"))
perfil <- perfilar(datos)
plan <- planificar_limpieza(perfil)
plan[, c("grupo", "estrategia", "recomendada", "aplicar")]
#>   grupo                    estrategia recomendada aplicar
#> 1  <NA>          revisar_cardinalidad       FALSE   FALSE
#> 2  <NA> convertir_ausencias_textuales        TRUE    TRUE
#> 3  <NA>             recortar_espacios        TRUE    TRUE
resultado <- aplicar(plan, datos)
resultado$datos
#>   categoria
#> 1         A
#> 2      <NA>
#> 3         B