Los datos y sus formatos

Si múltiples son las operaciones que entran dentro de la ciencia de datos, también lo son los propios datos. Una distinción básica es la que se puede hacer entre datos estructurados y datos no estructurados.

Datos estructurados y no estructurados

Los datos estructurados son rápidamente reconocibles porque muestran una organización clara y fácilmente interpretable. Por ejemplo, volviendo a la película Moneyball, una tabla de jugadores de béisbol en la que cada fila representa un jugador y cada columna un atributo — velocidad, fuerza de lanzamiento, promedio de bateo — es un ejemplo canónico de datos estructurados. Los datos no estructurados, por su parte, combinan diferentes formatos y contenidos sin seguir una estructura tan evidente. Un vídeo, por ejemplo, tiene varios componentes (imágenes y sonido) cuya representación interna es mucho más compleja que la de una tabla. El caso estándar en la ciencia de datos parte de datos estructurados, y generalmente se trabaja con datos organizados en modelo de tabla. Esto es claramente visible en las hojas de cálculo de programas como Microsoft Excel o Google Sheets, desde las cuales además es posible llevar a cabo muchos de los procesos básicos de la ciencia de datos, inclusive la visualización mediante gráficos.

Formatos de archivo

Aunque se trabaje con datos estructurados en tablas, estos pueden estar almacenados en diferentes formatos de archivo. La elección del formato tiene implicaciones importantes en cuanto a compatibilidad, accesibilidad y apertura.

TXT
CSV
TSV
XLSX

El archivo de texto plano (.txt) es el formato abierto más básico para datos estructurados. En él, los datos se organizan en forma de tabla: cada caso o individuo (por ejemplo, un jugador de béisbol) ocupa una línea de texto, y cada atributo o variable se separa mediante un carácter específico denominado delimitador.Los delimitadores más habituales son la coma (,), el punto y coma (;) y la tabulación (→). Dependiendo del delimitador elegido, el archivo de texto puede transformarse en un CSV o en un TSV.Ventaja: universalmente legible por cualquier programa o sistema operativo.

El archivo de valores separados por comas (.csv, del inglés Comma-Separated Values) es uno de los formatos estándar en la ciencia de datos. Cada línea representa un registro, y los valores de cada campo se separan con comas.

nombre,velocidad,fuerza_lanzamiento,promedio_bateo
Carlos López,145,87,0.312
Ana Martínez,138,91,0.289

Ventaja: formato abierto, compatible con Excel, Google Sheets, LibreOffice, Python, R y prácticamente cualquier herramienta de análisis de datos.

El archivo de valores separados por tabulaciones (.tsv, del inglés Tab-Separated Values) funciona igual que el CSV, pero usa tabulaciones en lugar de comas como delimitador. Es útil cuando los propios valores del dataset contienen comas (por ejemplo, textos o direcciones).Ventaja: evita conflictos de delimitador cuando los datos incluyen comas dentro de los valores.

El archivo de Microsoft Excel (.xlsx o .xls) es un formato propietario. Esto significa que, sin haber adquirido una licencia de Microsoft Office, no es posible usar Excel para abrir o editar estos archivos, lo que puede impedir su uso a personas que no dispongan de esa herramienta.Herramientas como Google Sheets o LibreOffice Calc pueden abrir archivos XLSX, pero la compatibilidad no siempre es perfecta.Ventaja: permite hojas múltiples, fórmulas y gráficos en un solo archivo.
Desventaja: formato propietario que puede limitar el acceso y la interoperabilidad.

Tabla comparativa

Formato	Tipo	Delimitador	Compatible con
`.txt`	Abierto	Variable (configurable)	Cualquier editor de texto
`.csv`	Abierto	Coma `,`	Excel, Sheets, LibreOffice, Python, R…
`.tsv`	Abierto	Tabulación `→`	Excel, Sheets, LibreOffice, Python, R…
`.xlsx`	Propietario	—	Excel, Google Sheets (parcial), LibreOffice

Siempre que sea posible, guarda y comparte tus datos en un formato abierto como CSV o TSV. De este modo, cualquier persona — independientemente de si usa Microsoft Excel, Google Sheets, Numbers u otra herramienta — podrá acceder a los datos sin ninguna limitación. Los formatos abiertos son un pilar fundamental de los datos abiertos y la ciencia de datos colaborativa.

Introducción

Recopilación de Datos

Limpieza y Análisis

Visualización

Herramientas y Recursos

Los datos y sus formatos

Datos estructurados y no estructurados

Formatos de archivo

Tabla comparativa

Build docs developers (and LLMs) love

Introducción

Recopilación de Datos

Limpieza y Análisis

Visualización

Herramientas y Recursos

​Datos estructurados y no estructurados

​Formatos de archivo

​Tabla comparativa

Build docs developers (and LLMs) love

Datos estructurados y no estructurados

Formatos de archivo

Tabla comparativa