Esta herramienta convierte un CSV pegado en un mapa de calor de datos faltantes. Cada celda vacía se muestra como un cuadrado oscuro, cada celda llena como un punto claro, y una tabla resumen indica cuántos valores faltan en cada columna y qué porcentaje representa. También puedes listar tokens extra que cuentan como faltantes en tus datos, como NA, N/A o un guion. El objetivo es ver la forma de los faltantes antes de decidir qué hacer con ellos. Una columna con un cinco por ciento de valores faltantes al azar es un problema distinto de una columna con un ochenta por ciento faltante, o de faltantes que se concentran en un grupo de encuestados.
Cómo usarla
- Pega tu CSV con encabezados en la primera fila.
- Añade los tokens extra de valor faltante que use tu archivo, separados por comas.
- Pulsa Mapear datos faltantes y lee la cuadrícula.
- Revisa la tabla por columna: ¿qué columnas pierden más datos?
- Busca patrones por fila: ¿las mismas filas pierden muchos campos a la vez?
Ejemplo resuelto
Un archivo de encuesta tiene cuatro columnas: id, edad, ingreso y ciudad. Tras el mapeo, el ingreso falta en dos de cuatro filas (50 por ciento) mientras la edad falta en una (25 por ciento). La fila 4 pierde edad e ingreso a la vez. Ese patrón importa. Si el ingreso falta sobre todo en encuestados jóvenes, borrar cada fila incompleta sesgaría tu muestra hacia personas mayores. El mapa no arregla nada por sí solo, pero evita que borres datos a ciegas y señala dónde valen la pena la imputación o el seguimiento.
Límites honestos
Esta herramienta lee valores simples separados por comas y pegados en el navegador. No maneja comas entre comillas dentro de celdas, archivos muy grandes ni archivos subidos desde el disco, y nada se guarda ni se envía a ningún sitio: al cerrar la página tus datos desaparecen. Tampoco puede decirte por qué faltan los valores. Solo el diseño de tu estudio y tus encuestados pueden decirte si los faltantes son aleatorios o sistemáticos. Trata el mapa como un diagnóstico y luego elige un método — borrado, imputación o modelado — con ese diagnóstico en mente, e infórmalo en tu sección de métodos.
Para quién es
Esta herramienta es para investigadores, estudiantes y analistas de datos que hacen la primera limpieza de datos de encuestas o experimentos. Es más útil antes del análisis, cuando una revisión visual rápida puede evitar un sesgo silencioso. Si trabajas con datos sensibles, nota la ventaja de privacidad: todo se ejecuta en tu navegador, así que tus valores pegados nunca salen de tu ordenador.
Para ir más allá
Los estadísticos describen tres tipos de faltantes, y el tipo decide la solución. Datos faltantes completamente al azar (MCAR) significan que los huecos no tienen nada que ver con ninguna variable: borrar filas incompletas entonces solo cuesta tamaño muestral, no sesgo. Datos faltantes al azar (MAR) significan que los faltantes se relacionan con variables observadas — por ejemplo, los encuestados jóvenes omiten preguntas de ingreso — así que el borrado sesga los resultados pero la imputación con esas variables observadas puede repararlo. Datos faltantes no al azar (MNAR) significan que los faltantes se relacionan con el propio valor faltante, como personas de altos ingresos que se niegan a declarar su ingreso: ningún método lo arregla del todo y debes decirlo. Tu mapa de calor no puede distinguir los tres, pero te dice dónde mirar. Compara encuestados con y sin ingreso faltante en edad, género y región. Si los grupos difieren, MAR es plausible y el borrado no es seguro. Elijas lo que elijas, informa tres cifras en tus métodos: el porcentaje faltante por variable clave, el método usado y cuántos casos se vieron afectados. Los lectores pueden perdonar datos faltantes; no pueden perdonar datos faltantes ocultos. Un último punto práctico: nunca sobrescribas tu archivo crudo con una versión limpia. Conserva la exportación cruda, el resumen del mapa de calor y el archivo limpio como tres artefactos separados, para que cualquier pregunta posterior sobre una cifra pueda responderse recorriendo los pasos hacia atrás. Si imputas valores, añade una columna de marca que señale qué celdas fueron imputadas, porque un valor imputado es una suposición, no una observación, y los análisis que mezclan ambos sin distinción exageran su certeza. Los revisores comprueban esto cada vez más, y una columna de marca es la credibilidad más barata que puedes comprar.
Herramientas relacionadas
English version · Generador de Códigos Regex · Herramientas gratis en español.
Inserta esta herramienta en tu web — gratis
Copia el código de abajo para añadir esta herramienta funcional a tu propia página. Solo pedimos que mantengas el pequeño enlace de crédito que la acompaña.