Skip to contents

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