Construye el puente entre el examen de datos y la medición. El resultado no
ejecuta métricas: es una tabla editable donde cada fila conserva el hallazgo
o diagnóstico que la originó, la justificación, la configuración y una marca
incluir. modelo_desde_propuesta() materializa únicamente las filas que el
usuario deja activas.
Usage
proponer_modelo(
perfil,
datos = NULL,
relaciones = NULL,
entidades_relacion = character(),
max_valores_dominio = 20L,
max_sugerencias = 100L
)Arguments
- perfil
Objeto creado por
perfilar().- datos
Datos originales opcionales. Son necesarios para proponer dominios observados, materializar reglas de dependencia funcional e identificar los faltantes disfrazados que cuenta
NoNulo.- relaciones
Resultado opcional de
detectar_relaciones().- entidades_relacion
Dos nombres de entidad correspondientes a las tablas usadas en
relaciones.- max_valores_dominio
Máximo de valores para proponer un dominio por extensión.
- max_sugerencias
Máximo de filas devueltas.
Value
Data frame S3 de clase propuesta_modelo (y tabla_lupa, con la que
se imprime también un subconjunto que pierde las columnas de la propuesta y
deja de serlo); las columnas de listas
contienen la configuración y los vínculos sin convertirlos en texto. Su
método print() no falla por codificación en ningún locale: la copia
que se exhibe convierte lo que trae codificación declarada, declara como
UTF-8 los bytes válidos sin declarar —R los escapa como <U+00F1> donde el
locale no los represente— y deja el resto tal cual mientras R pueda
imprimirlo. Bajo un locale UTF-8 la salida es exactamente la de R; bajo uno
que no puede representar un carácter difiere a propósito, publicando el
punto de código donde R escaparía los bytes. Sólo cuando R no puede
imprimir se reintenta con su propio octal, \377. Eso no convierte a print() en infalible: si una
clase suya tiene un método format() que da error, ese error le llega sin
alterar. Y un format() que consulte Encoding() verá las marcas de la
copia, no las del objeto original.
Details
Las reglas observadas que pueden sobreajustarse a una entrega —dominios y
patrones dominantes— se proponen inactivas. Los controles estructurales
directos, como NoNulo, duplicación exacta y dependencias funcionales
exactas, se activan. max_sugerencias recorta después de ordenar por
prioridad y el objeto declara el total en sus atributos. Dentro de cada
prioridad las filas se ordenan por métrica, entidad y atributos según sus
bytes —no según la intercalación del locale—: el mismo orden en cualquier
sesión.
id_sugerencia se arma con el contenido de la sugerencia, nunca con su
posición: la métrica y sus atributos en su orden —NoNulo:edad,
ReglaIntegridadIntraEntidad:depto,codigo— y, cuando la sugerencia liga dos
tablas, cada atributo con su entidad delante
(ReglaIntegridadInterEntidad:personas.id,visitas.persona_id). Una
sugerencia sin atributos lleva sólo la métrica (EntidadDuplicada). Así una
columna que se agrega o se quita no cambia el id de las demás, y una regla de
regla_evaluacion() que lo nombra sigue midiendo lo mismo en la corrida
siguiente: modelo_desde_propuesta() lo usa como nombre de la instancia, que
es la metrica_instanciada de medir(), del tablero y del histórico. La
entidad de una sugerencia de una sola tabla no entra, porque es el nombre del
perfil y cambia con la expresión perfilada; la configuración tampoco: un
cambio de patrón o de dominio lo declara el histórico en
configuracion_modelo. Dentro de cada nombre se escribe %25, %2C y %23
en lugar de %, , y # —y %2E en lugar de . en una entidad—, y un
nombre NA se escribe %NA, de modo que dos contenidos distintos no dan el
mismo id. Un nombre que no es UTF-8 válido escribe cada byte alto como %XX
—los bytes latin1 de «notaé» sin declarar dan nota%E9—, así que el id es
siempre texto UTF-8 o ASCII, el mismo en cualquier locale. Si dos sugerencias
tienen el mismo contenido —una tabla que repite
el nombre de una columna—, la segunda lleva #2 y la tercera #3, en el
orden de las columnas de la tabla.
Si una columna contiene faltantes disfrazados, NoNulo se propone activa,
con estado lista, y se mide contándolos: los valores que el perfil contó
como disfrazados —con la misma regla y la misma declaración de
sentinelas_numericos y cadenas_ausencia— se declaran en valores_nulos de
su configuracion, y la justificación lo dice. Sobre cuarenta valores con un
NA y tres -999 mide 0,90, no 0,975. Si no se pueden identificar —sin
datos, la propuesta no tiene de dónde sacarlos—, se mide igual con los
valores crudos, y la justificación dice que cuenta sólo los NA y que
sobrestima la completitud. analizar() la mide y modelo_desde_propuesta()
la materializa como a cualquier otra sugerencia activa. Si la columna se
declaró en columnas_opcionales de perfilar(), la NoNulo lleva además
opcional = TRUE y se mide sobre las celdas presentes, el mismo universo
que el perfil: con un NA y tres -999 en cuarenta celdas mide
36/39 = 0,923, que es 1 - prop_faltantes_totales.
Una sugerencia sobre una columna cuyo nombre la tabla repite sale inactiva y
con estado nombre_repetido: una métrica se liga por nombre, y ese nombre no
dice cuál de las columnas mide. modelo_desde_propuesta() no la materializa
y analizar() no la mide hasta que las columnas se renombren.
Examples
datos <- data.frame(
codigo = rep(1:3, each = 4),
categoria = rep(c("A", "B", "C"), each = 4),
valor = c(1:11, NA)
)
propuesta <- proponer_modelo(perfilar(datos), datos)
propuesta[, c("metrica", "origen", "incluir")]
#> metrica origen incluir
#> 1 NoNulo perfil:n_faltantes_totales TRUE
#> 2 ReglaIntegridadIntraEntidad dependencia_funcional:categoria->codigo TRUE
#> 3 ReglaIntegridadIntraEntidad dependencia_funcional:codigo->categoria TRUE
#> 4 Formato perfil:patron_dominante:A FALSE
#> 5 ValoresPosiblesPorExtension perfil:dominio_observado FALSE
