Minería de datos · Pre procesamiento · INF 311 · UMSA
De 39 497 personas encuestadas a un dataset limpio para distinguir empleados de empleadores
Limpieza en R de la base de personas de la Encuesta de Hogares 2024 (INE, Bolivia) siguiendo una metodología de seis pasos. Cada cambio quedó registrado en una bitácora de limpieza.
1 Objetivo
Obtener un conjunto de datos limpio, consistente y documentado de la relación empleado–empleador en Bolivia, que permita caracterizar y diferenciar a quienes trabajan como empleados de quienes lo hacen como empleadores, como insumo para un modelo de clasificación del rol laboral.
La variable objetivo rol se construye desde la categoría ocupacional (s04b_12):
- Empleado: obrero o empleado asalariado.
- Empleador: patrón o socio, reciba o no salario.
- Fuera del objetivo: cuenta propia, cooperativistas, familiares y aprendices sin pago, y empleadas del hogar (su empleador es un hogar, no una unidad económica).
Solo se consideran personas de 14 años o más, la edad desde la que el INE define la población en edad de trabajar.
2 Cómo llega el dato crudo
Antes de tocar un solo valor se perfilaron las 275 columnas: tipos, mínimos, máximos, faltantes y cardinalidad. El resultado es la lista de anomalías que guía el resto del trabajo.
Lista inicial de anomalías
Resultado del paso 1. Cada una indica el paso de la metodología que la trata.
3 Metodología, paso a paso
Seis pasos con retorno: cuando un paso genera un problema nuevo, se vuelve atrás. Aquí ocurrió dos veces: anular una jornada imposible creó un faltante que hubo que imputar (5 → 4), y la validación necesitó dos pasadas (6 → 6).
4 Bitácora de limpieza
Registro de auditoría de todo lo que se eliminó, modificó o imputó, con el criterio y la línea de código. Abre un registro para ver sus doce campos.
5 Resultados: el dataset limpio
Explora los registros limpios. Los filtros se aplican a todos los indicadores y gráficos de esta sección; los porcentajes se calculan dentro de cada rol.
Calidad antes y después
Del archivo crudo completo al dataset limpio.
Muestra de registros
Diccionario del dataset limpio
29 columnas, sin faltantes.