Ejercicio Práctico Semana 6 - Limpieza y Transformación de Datos

Author

Johamnely Mateo

Published

June 10, 2026

Librerías

library(tidyverse)

── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr     1.2.1     ✔ readr     2.2.0
✔ forcats   1.0.1     ✔ stringr   1.6.0
✔ ggplot2   4.0.3     ✔ tibble    3.3.1
✔ lubridate 1.9.5     ✔ tidyr     1.3.2
✔ purrr     1.2.2     
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

library(tidyr)
library(stringr)

# Dataset inicial

ventas_crudas <- tibble(
  id_venta    = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 3),
  vendedor    = c("ana", "PEDRO", "María ", NA, "carmen", "ana", "PEDRO", "luis", "carmen", "luis", "María "),
  region      = c("norte", "SUR", "Norte", "sur", "NORTE", "norte", "sur", "Norte", "sur", "norte", "Norte"),
  monto       = c(15000, 22000, 18500, NA, 31000, 16000, 19500, 9500000, 21000, 17500, 18500),
  mes         = c(1, 1, 1, 2, 2, 2, 3, 3, 3, 3, 1),
  completada  = c("SI", "SI", "NO", "SI", NA, "SI", "NO", "SI", "SI", "NO", "NO")
)

ventas_crudas

# A tibble: 11 × 6
   id_venta vendedor region   monto   mes completada
      <dbl> <chr>    <chr>    <dbl> <dbl> <chr>     
 1        1 "ana"    norte    15000     1 SI        
 2        2 "PEDRO"  SUR      22000     1 SI        
 3        3 "María " Norte    18500     1 NO        
 4        4  <NA>    sur         NA     2 SI        
 5        5 "carmen" NORTE    31000     2 <NA>      
 6        6 "ana"    norte    16000     2 SI        
 7        7 "PEDRO"  sur      19500     3 NO        
 8        8 "luis"   Norte  9500000     3 SI        
 9        9 "carmen" sur      21000     3 SI        
10       10 "luis"   norte    17500     3 NO        
11        3 "María " Norte    18500     1 NO

Parte 1 — Diagnóstico inicial

Estructura del dataset

glimpse(ventas_crudas)

Rows: 11
Columns: 6
$ id_venta   <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 3
$ vendedor   <chr> "ana", "PEDRO", "María ", NA, "carmen", "ana", "PEDRO", "lu…
$ region     <chr> "norte", "SUR", "Norte", "sur", "NORTE", "norte", "sur", "N…
$ monto      <dbl> 15000, 22000, 18500, NA, 31000, 16000, 19500, 9500000, 2100…
$ mes        <dbl> 1, 1, 1, 2, 2, 2, 3, 3, 3, 3, 1
$ completada <chr> "SI", "SI", "NO", "SI", NA, "SI", "NO", "SI", "SI", "NO", "…

Resumen estadístico

summary(ventas_crudas)

    id_venta           vendedor        region       monto              mes   
 Min.   : 1.000   Length   :11   Length   :11   Min.   :  15000   Min.   :1  
 1st Qu.: 3.000   N.unique : 5   N.unique : 5   1st Qu.:  17750   1st Qu.:1  
 Median : 5.000   N.blank  : 0   N.blank  : 0   Median :  19000   Median :2  
 Mean   : 5.273   Min.nchar: 3   Min.nchar: 3   Mean   : 967900   Mean   :2  
 3rd Qu.: 7.500   Max.nchar: 6   Max.nchar: 5   3rd Qu.:  21750   3rd Qu.:3  
 Max.   :10.000   NAs      : 1                  Max.   :9500000   Max.   :3  
                                                NAs    :1                    
     completada
 Length   :11  
 N.unique : 2  
 N.blank  : 0  
 Min.nchar: 2  
 Max.nchar: 2  
 NAs      : 1

Conteo de valores NA

colSums(is.na(ventas_crudas))

  id_venta   vendedor     region      monto        mes completada 
         0          1          0          1          0          1

Diagnóstico en comentarios

# Cantidad de filas duplicadas por id_venta
sum(duplicated(ventas_crudas$id_venta))

[1] 1

# Resultado esperado:
# Hay 1 duplicado en id_venta

# Valores NA por columna:
# vendedor = 1
# monto = 1
# completada = 1

# Posible outlier:
# El monto 9500000 parece ser un valor atípico extremo

Parte 2 — Limpieza de datos

Eliminación de duplicados

ventas_limpias <- ventas_crudas |>
  distinct(id_venta, .keep_all = TRUE)

Limpieza de texto

ventas_limpias <- ventas_limpias |>
  mutate(
    vendedor = str_trim(str_to_title(vendedor)),
    region   = str_to_lower(str_trim(region))
  )

Imputación de vendedor faltante

ventas_limpias <- ventas_limpias |>
  mutate(
    vendedor = replace_na(vendedor, "Desconocido")
  )

Imputación del monto usando mediana del mes

ventas_limpias <- ventas_limpias |>
  group_by(mes) |>
  mutate(
    monto = if_else(
      is.na(monto),
      median(monto, na.rm = TRUE),
      monto
    )
  ) |>
  ungroup()

Limpieza de columna completada

ventas_limpias <- ventas_limpias |>
  mutate(
    completada = replace_na(completada, "NO"),
    completada = factor(completada, levels = c("SI", "NO"))
  )

Detección de outliers con IQR

Q1 <- quantile(ventas_limpias$monto, 0.25)
Q3 <- quantile(ventas_limpias$monto, 0.75)

IQR_valor <- IQR(ventas_limpias$monto)

limite_inferior <- Q1 - 1.5 * IQR_valor
limite_superior <- Q3 + 1.5 * IQR_valor

ventas_limpias <- ventas_limpias |>
  mutate(
    es_outlier = monto < limite_inferior |
                 monto > limite_superior
  )

Dataset limpio

ventas_limpias

# A tibble: 10 × 7
   id_venta vendedor    region   monto   mes completada es_outlier
      <dbl> <chr>       <chr>    <dbl> <dbl> <fct>      <lgl>     
 1        1 Ana         norte    15000     1 SI         FALSE     
 2        2 Pedro       sur      22000     1 SI         FALSE     
 3        3 María       norte    18500     1 NO         FALSE     
 4        4 Desconocido sur      23500     2 SI         FALSE     
 5        5 Carmen      norte    31000     2 NO         FALSE     
 6        6 Ana         norte    16000     2 SI         FALSE     
 7        7 Pedro       sur      19500     3 NO         FALSE     
 8        8 Luis        norte  9500000     3 SI         TRUE      
 9        9 Carmen      sur      21000     3 SI         FALSE     
10       10 Luis        norte    17500     3 NO         FALSE

Parte 3 — Transformación con dplyr

Crear comisión

ventas_limpias <- ventas_limpias |>
  mutate(
    comision = if_else(
      completada == "SI",
      monto * 0.05,
      0
    )
  )

Categoría de venta

ventas_limpias <- ventas_limpias |>
  mutate(
    categoria_venta = case_when(
      monto < 15000 ~ "Baja",
      monto >= 15000 & monto <= 25000 ~ "Media",
      monto > 25000 ~ "Alta"
    )
  )

Ranking por región

ventas_limpias <- ventas_limpias |>
  group_by(region) |>
  mutate(
    ranking_region = rank(desc(monto))
  ) |>
  ungroup()

Resultado transformado

ventas_limpias

# A tibble: 10 × 10
   id_venta vendedor    region   monto   mes completada es_outlier comision
      <dbl> <chr>       <chr>    <dbl> <dbl> <fct>      <lgl>         <dbl>
 1        1 Ana         norte    15000     1 SI         FALSE           750
 2        2 Pedro       sur      22000     1 SI         FALSE          1100
 3        3 María       norte    18500     1 NO         FALSE             0
 4        4 Desconocido sur      23500     2 SI         FALSE          1175
 5        5 Carmen      norte    31000     2 NO         FALSE             0
 6        6 Ana         norte    16000     2 SI         FALSE           800
 7        7 Pedro       sur      19500     3 NO         FALSE             0
 8        8 Luis        norte  9500000     3 SI         TRUE         475000
 9        9 Carmen      sur      21000     3 SI         FALSE          1050
10       10 Luis        norte    17500     3 NO         FALSE             0
# ℹ 2 more variables: categoria_venta <chr>, ranking_region <dbl>

Parte 4 — Resumen analítico

resumen_ventas <- ventas_limpias |>
  group_by(vendedor) |>
  summarise(
    total_ventas_completadas = sum(completada == "SI"),
    monto_total_vendido      = sum(monto, na.rm = TRUE),
    monto_promedio_venta     = mean(monto, na.rm = TRUE),
    comision_total           = sum(comision, na.rm = TRUE),
    .groups = "drop"
  ) |>
  arrange(desc(monto_total_vendido))

resumen_ventas

# A tibble: 6 × 5
  vendedor    total_ventas_completadas monto_total_vendido monto_promedio_venta
  <chr>                          <int>               <dbl>                <dbl>
1 Luis                               1             9517500              4758750
2 Carmen                             1               52000                26000
3 Pedro                              1               41500                20750
4 Ana                                2               31000                15500
5 Desconocido                        1               23500                23500
6 María                              0               18500                18500
# ℹ 1 more variable: comision_total <dbl>

Conclusión

# En este ejercicio se aplicaron técnicas de:
# - Diagnóstico de datos
# - Limpieza de NA
# - Eliminación de duplicados
# - Detección de outliers
# - Transformación de variables
# - Agrupación y análisis con dplyr