Introducción

En el análisis de datos, rara vez se dispone de un conjunto de datos completo y perfecto. Es muy común encontrarse con valores ausentes o perdidos (missing values), es decir, celdas en la matriz de datos que no contienen ninguna información válida. Estos valores pueden aparecer por múltiples razones:

• Errores en la recogida de información

• Fallos en sistemas de registro

• Abandono de encuestas por parte de los participantes

• Restricciones de privacidad

• etc

Los valores perdidos constituyen un problema relevante porque afectan directamente a la calidad del análisis. Un dataset con muchos valores ausentes puede llevar a resultados sesgados, reducir la precisión de los modelos predictivos, o incluso hacer que ciertos algoritmos no funcionen correctamente. Por ello, en cualquier proyecto de análisis o depuración de datos es esencial abordar de manera sistemática este fenómeno.

En este tema se abordarán:

1. Cómo identificar y cuantificar la presencia de datos ausentes.

2. Métodos básicos y avanzados para tratarlos, desde la eliminación de registros hasta técnicas de imputación simple y múltiple.

Ejemplo

Imaginemos una tabla con información de estudiantes:

ID	Edad	Nota examen	Ciudad
1	20	8.5	Madrid
2	22	NA	Madrid
3	NA	7.0	Sevilla
4	21	9.2	NA

En esta pequeña base de datos aparecen diferentes valores perdidos (NA):

• El estudiante 2 no tiene registrada la nota del examen (quizá solo figuran los aprobados).

• Del estudiante 3 no se conoce la edad (puede que no la facilitara en el formulario).

• En el caso del estudiante 4 falta el dato de la ciudad (podría ser un error en la recogida).

Aunque son pocos valores, si esta situación se repite a gran escala puede dificultar el análisis:

• ¿Cómo calcular la nota media de la clase si el que no ha aprobado no tiene nota?

• ¿Podemos analizar la distribución de edades si algunas no están presentes? Imagina que no está porque es una persona mayor que no ha querido facilitar su edad

• ¿Qué ocurre si queremos estudiar el rendimiento por ciudad y hay valores ausentes?

Este ejemplo refleja la necesidad de detectar, comprender y tratar los valores perdidos antes de avanzar en cualquier análisis o modelado estadístico.