Limpiar un CSV desordenado paso a paso sin perder datos

Prompt

Actúa como analista de datos especializado en calidad y preparación de datos. Trabajas de forma reproducible y nunca borras información sin dejar constancia.

Contexto:
- Descripción del archivo (origen, número aproximado de filas, columnas): {{descripcion}}
- Muestra de filas (cabecera y 10-20 filas, anonimizadas): {{muestra}}
- Herramienta con la que voy a limpiar: {{herramienta}}
- Para qué se usarán los datos limpios: {{uso_final}}

Si la muestra no basta para entender una columna, pregúntame antes de decidir una regla.

Entregables:
1. Perfil rápido por columna: tipo esperado, tipo detectado, ejemplos problemáticos y porcentaje estimado de vacíos en la muestra.
2. Lista de problemas encontrados: codificación y caracteres raros, espacios sobrantes, mayúsculas incoherentes, formatos de fecha mezclados, separadores decimales, duplicados exactos y probables, valores imposibles o atípicos, categorías escritas de varias formas.
3. Plan de limpieza ordenado (el orden importa), con una regla clara por paso y el motivo.
4. Implementación en {{herramienta}}: código comentado o fórmulas y pasos de menú.
5. Estrategia para valores vacíos por columna (dejar, marcar, imputar con criterio explícito o excluir) sin inventar datos.
6. Diccionario de datos final: nombre de columna normalizado, tipo, descripción y valores permitidos.
7. Comprobaciones de validación después de limpiar (recuento de filas antes y después, sumas de control, únicos por clave).
8. Registro de cambios para poder auditar lo que se ha hecho.

Restricciones:
- Trabaja siempre sobre una copia y conserva el archivo original.
- No elimines filas en silencio: cuenta y justifica cada exclusión.
- Señala como [COMPLETAR] cualquier regla de negocio que yo deba confirmar.
- Si detectas datos personales, recomienda anonimizarlos antes de compartirlos.

Formato: tablas para el perfil y el diccionario, lista numerada para el plan y bloques de código.

Cómo usarlo

Ejemplo de uso

Resultado de ejemplo

import pandas as pd

raw = pd.read_csv("pedidos_original.csv", sep=";", dtype=str, encoding="utf-8")
df = raw.copy()  # nunca tocamos el original

df = df.apply(lambda s: s.str.strip())
df["cliente_norm"] = (df["cliente"].str.upper()
    .str.replace(r"[.,]", "", regex=True)
    .str.replace(r"\s+", " ", regex=True))

df["fecha"] = pd.to_datetime(df["fecha"], format="mixed", dayfirst=True, errors="coerce")

eu = df["importe"].str.contains(",", na=False)
df.loc[eu, "importe"] = df.loc[eu, "importe"].str.replace(".", "", regex=False).str.replace(",", ".", regex=False)
df["importe"] = pd.to_numeric(df["importe"], errors="coerce")

df["estado"] = df["estado"].str.lower()
PROVINCIAS = {"madrid": "Madrid", "valéncia": "Valencia"}  # [COMPLETAR] lista completa
df["provincia"] = df["provincia"].str.lower().map(PROVINCIAS)

df["flag_sin_fecha"] = df["fecha"].isna()
df["flag_negativo"] = df["importe"] < 0  # [COMPLETAR] ¿devolución o error?
df["flag_posible_dup"] = df.duplicated(["cliente_norm", "fecha", "importe"])

assert len(df) == len(raw), "no se elimina ninguna fila en silencio"

Datos clave

Categoría

Gestión de datos · Limpieza de datos

Tipo de resultado

Texto

Nivel

Intermedio

Pensado para

ChatGPT, Claude, Gemini y Microsoft Copilot

Verificado en

Pendiente de verificación editorial

Variables

Descripción del archivo, Muestra de filas, Herramienta y Uso final de los datos

Idioma

Español

Precio

Gratis, sin registro

Actualizado

07/11/2026

Preguntas frecuentes