0:00:06.250,0:00:09.123
Vamos a iniciar la aplicación [br]de escritorio de OpenRefine,

0:00:09.198,0:00:12.349
que abre una nueva ventana[br]del navegador y se ejecuta

0:00:12.349,0:00:14.596
en un puerto por defecto del equipo local.

0:00:16.350,0:00:21.052
Podemos crear un nuevo proyecto, [br]abrir o importar un proyecto existente,

0:00:22.340,0:00:24.650
o configurar el idioma, si es necesario.

0:00:25.355,0:00:28.255
Descargue el archivo stocks.zip[br]y busque el archivo

0:00:28.255,0:00:31.385
desde el menú [br]"Crear proyecto" de OpenRefine.

0:00:32.450,0:00:33.559
Haga clic en Siguiente.

0:00:34.510,0:00:37.722
Esto importa el contenido del archivo[br]a la memoria de la aplicación.

0:00:38.242,0:00:39.634
La herramienta trabaja

0:00:39.634,0:00:41.946
con archivos comprimidos [br]o sin comprimir.

0:00:44.440,0:00:47.978
Como estos datos tienen [br]el formato semiestructurado JSON,

0:00:47.978,0:00:52.339
seleccione el nodo raíz del árbol de JSON,[br]que transforma los datos

0:00:52.339,0:00:54.816
en un formato tabular con[br]filas y columnas.

0:00:55.775,0:00:59.569
Podemos preservar las cadenas vacías [br]y realizar una limpieza básica,

0:00:59.569,0:01:03.199
como eliminar los espacios en blanco [br]y analizar los valores numéricos.

0:01:07.860,0:01:10.960
Estas operaciones se[br]pueden realizar en una fase posterior.

0:01:13.430,0:01:16.505
Le daremos un nombre al proyecto [br]y procederemos a su creación.

0:01:22.990,0:01:24.730
Una vez creado el proyecto,

0:01:25.740,0:01:28.362
podemos hacer clic en todas [br]las columnas de edición

0:01:28.938,0:01:31.941
y eliminar aquellas que no queremos[br]del conjunto de datos.

0:01:33.010,0:01:36.907
Esto ayuda a reducir el uso de la memoria,[br]especialmente con conjuntos grandes.

0:01:38.101,0:01:41.105
También reordenaremos[br]algunas de las columnas de la tabla.

0:01:49.750,0:01:52.760
Ahora, el conjunto de datos es más ligero,[br]con solo las columnas

0:01:52.760,0:01:55.414
que se utilizarán[br]para algún análisis posterior.

0:01:56.280,0:01:59.625
Como con una hoja de cálculo, podemos[br]ordenar diferentes columnas.

0:01:59.935,0:02:04.135
Aquí, ordenaremos la columna [br]de volumen en orden descendente.

0:02:15.510,0:02:18.164
Los datos financieros, [br]como el precio de las acciones,

0:02:18.164,0:02:19.315
cambian constantemente.

0:02:19.856,0:02:22.424
¿Y si nuestros datos no están actualizados[br]y queremos

0:02:22.424,0:02:24.271
los últimos datos de la bolsa?

0:02:24.336,0:02:28.674
Utilizando Openrefine, se pueden aumentar[br]los datos utilizando servicios web online.

0:02:29.650,0:02:33.187
Sin embargo, utilizar estos servicios web[br]puede quitar mucho tiempo.

0:02:33.577,0:02:37.028
Para enseñar esta característica,[br]utilizaremos un subconjunto más pequeño

0:02:37.028,0:02:40.182
de los datos de las acciones, que[br]cargaremos en un nuevo proyecto.

0:02:40.478,0:02:44.655
Busque el archivo stocks_demo.csv [br]en la carpeta de la sesión

0:02:44.731,0:02:46.284
y cárguelo en OpenRefine.

0:02:50.450,0:02:52.840
También crearemos un proyecto de[br]Openrefine

0:02:52.840,0:02:54.538
y lo llamaremos "StocksDemo".

0:02:59.870,0:03:03.031
En el menú de la columna de símbolos,[br]haga clic en Editar columna,

0:03:03.031,0:03:05.325
Añadir columna obteniendo URL.

0:03:06.338,0:03:10.430
Esto abre un cuadro [br]donde podemos introducir la URL

0:03:10.430,0:03:14.907
de un servicio web online[br]para aumentar los datos.

0:03:15.620,0:03:19.733
Este servicio online ofrece una API [br]que devuelve los precios de las acciones

0:03:19.733,0:03:21.104
con un ligero retraso.

0:03:22.250,0:03:25.563
Una buena práctica es probar[br]el servicio web desde un cliente

0:03:25.913,0:03:29.913
con un símbolo de cotización conocido [br]y validar la respuesta del servicio.

0:03:34.630,0:03:37.698
Añadiremos esta URL y [br]el símbolo bursátil

0:03:37.698,0:03:40.085
como parámetro disponible para cada fila.

0:03:41.230,0:03:44.296
Para ello, copie la URL [br]en el cuadro de expresión

0:03:45.576,0:03:47.756
e inserte lo que se muestra aquí.

0:03:56.720,0:03:59.946
Ahora, la URL es diferente para cada fila [br]con el símbolo bursátil

0:03:59.946,0:04:01.472
como parámetro de símbolo.

0:04:03.610,0:04:06.568
Damos un nuevo nombre a la columna[br]y hacemos clic en Aceptar.

0:04:08.440,0:04:12.086
Esto podría tardar unos minutos,[br]según la velocidad del servicio web.

0:04:17.010,0:04:19.921
Ya tenemos una nueva columna con[br]los datos de las acciones.

0:04:20.680,0:04:24.506
Observe que los resultados están [br]en formato XML y deben analizarse.

0:04:25.406,0:04:28.606
Consulte los manuales de OpenRefine [br]para obtener ayuda

0:04:28.606,0:04:31.408
sobre el análisis de resultados [br]en XML y JSON.

0:04:32.178,0:04:34.965
Por ahora, esta es la sintaxis [br]para extraer

0:04:34.965,0:04:37.065
el precio de las acciones [br]del documento XML.

0:04:57.440,0:05:00.908
Tras revisar los resultados,[br]estamos listos para exportar los datos

0:05:00.908,0:05:03.938
a otra herramienta [br]de procesamiento de datos.

0:05:07.950,0:05:11.541
En el siguiente ejemplo, utilizaremos [br]OpenRefine para limpiar

0:05:11.541,0:05:13.438
un archivo de datos desordenado.

0:05:15.900,0:05:19.270
Descargamos el archivo [br]customers-messy.zip

0:05:19.270,0:05:22.527
de la carpeta de la sesión [br]y lo guardamos en el ordenador local.

0:05:23.587,0:05:26.911
El primer paso es revisar[br]visualmente el archivo de datos en crudo

0:05:26.911,0:05:30.203
utilizando un editor de texto o un Excel[br]y familiarizarse

0:05:30.203,0:05:32.606
con los atributos [br]y el contenido de los datos.

0:05:35.030,0:05:38.087
Como antes, cargamos este archivo [br]de datos en OpenRefine

0:05:38.087,0:05:39.500
y creamos un nuevo proyecto.

0:05:41.990,0:05:46.805
Una vez cargados los datos, revisamos[br]superficialmente las columnas,

0:05:49.260,0:05:51.996
y cambiamos la codificación de [br]caracteres a UTF-8.

0:05:52.690,0:05:56.326
Podemos cambiar algunas [br]opciones, como los separadores de columna

0:05:56.586,0:05:58.167
o añadir una fila de cabecera.

0:05:59.133,0:06:01.461
En nuestro caso, [br]mantendremos la configuración.

0:06:02.920,0:06:07.368
Nombramos el proyecto de limpieza[br]y hacemos clic en Crear Proyecto.

0:06:09.550,0:06:13.952
Esto crea un nuevo proyecto con una[br]copia del conjunto de datos original.

0:06:14.872,0:06:18.360
El siguiente paso en el proceso[br]es examinar visualmente los datos

0:06:18.960,0:06:22.179
y comprobar cada columna [br]en busca de errores, problemas de formato

0:06:22.179,0:06:23.430
o valores ausentes.

0:06:24.338,0:06:26.209
Podemos realizar operaciones [br]comunes,

0:06:26.209,0:06:28.322
como eliminar espacios [br]en blanco del texto.

0:06:28.784,0:06:30.863
Para ello, [br]hacemos clic en la cabecera

0:06:31.020,0:06:34.424
de Nombre de contacto, por ejemplo,[br]Editar celdas,

0:06:34.918,0:06:37.489
Recortar los espacios en blanco[br]iniciales y finales.

0:06:38.268,0:06:40.979
Podemos realizar la misma operación[br]en varias columnas.

0:06:42.930,0:06:45.530
Podríamos hacer operaciones básicas [br]de encadenamiento

0:06:45.530,0:06:46.896
como en una hoja de cálculo.

0:06:47.150,0:06:51.527
Digamos que queremos combinar el nombre[br]y los apellidos en una sola columna.

0:06:51.845,0:06:54.455
Para ello, hacemos clic [br]en Editar columna,

0:06:55.380,0:06:57.528
Añadir columna basada en esta columna.

0:06:59.000,0:07:01.790
En el cuadro de expresión,[br]tomaremos el valor actual

0:07:01.790,0:07:03.185
del nombre de contacto,

0:07:04.300,0:07:08.476
y añadimos un espacio seguido del valor[br]del apellido de contacto.

0:07:15.850,0:07:17.560
Veamos los resultados

0:07:18.520,0:07:20.498
y asignemos un nombre a la nueva[br]columna.

0:07:20.498,0:07:23.545
Por ejemplo, Nombre de contacto completo.[br]Le damos a Aceptar.

0:07:29.870,0:07:32.829
La nueva columna[br]se ha añadido a nuestro conjunto de datos.

0:07:33.990,0:07:37.653
Algo bueno de OpenRefine es que [br]puedes deshacer tus operaciones pasadas.

0:07:38.473,0:07:42.108
Si ha cometido un error, puede[br]volver a un paso anterior y corregirlo.

0:07:42.800,0:07:46.468
Esto facilita mucho hacer cambios[br]sin perder tiempo

0:07:46.468,0:07:48.751
guardando múltiples copias de los datos.

0:07:52.920,0:07:55.395
Vamos a eliminar la columna[br]que acabamos de crear.

0:07:57.300,0:07:59.503
Al igual que con las hojas de cálculo,

0:07:59.503,0:08:02.759
podemos realizar otras operaciones[br]sencillas basadas en las columnas,

0:08:02.759,0:08:06.777
como cambiar el texto a mayúscula[br]y a minúscula.

0:08:17.750,0:08:21.507
Las facetas son una función potente en[br]muchas herramientas de limpieza de datos.

0:08:21.817,0:08:24.502
Las facetas resumen [br]las celdas de esa columna

0:08:24.502,0:08:26.901
para dar una visión [br]más amplia de la misma.

0:08:27.193,0:08:30.487
También permite filtrar [br]solo un subconjunto de las filas

0:08:30.487,0:08:32.462
que desee cambiar en bloque.

0:08:32.689,0:08:34.038
Veamos cómo funciona.

0:08:35.053,0:08:37.596
Crearemos una faceta de texto [br]en la columna del país

0:08:37.633,0:08:42.254
haciendo clic en el menú desplegable [br]de la columna, y luego en Faceta de texto.

0:08:42.884,0:08:45.739
Podemos ver que los nombres[br]de los países no son coherentes.

0:08:47.220,0:08:52.492
Por ejemplo, vemos Estados Unidos[br]como "US", "USA" o "United States",

0:08:52.492,0:08:54.120
hasta con caracteres adicionales.

0:08:55.690,0:09:00.494
Además, "Netherlands"[br]se encuentra con y sin el artículo "the".

0:09:01.384,0:09:05.251
Vemos "France" escrita tanto en mayúscula[br]como en minúscula.

0:09:07.130,0:09:09.970
"Cluster" nos permite [br]agrupar y editar automáticamente

0:09:09.970,0:09:11.985
valores diferentes pero similares.

0:09:12.535,0:09:15.149
Hagamos clic en el comando Cluster[br]del marco izquierdo.

0:09:15.890,0:09:19.650
Ahora, podemos ver todas[br]las palabras similares agrupadas

0:09:19.650,0:09:21.768
y realizar una operación de fusión.

0:09:22.492,0:09:26.472
Fusionemos todo el texto que se refiera a [br]Estados Unidos como "USA",

0:09:27.032,0:09:29.496
a Reino Unido como "UK", etc.

0:09:33.230,0:09:36.157
Confirmamos con el botón [br]de fusión y reagrupación.

0:09:36.667,0:09:39.180
No quedan más agrupaciones obvias.

0:09:39.680,0:09:42.322
Sin embargo, no hemos [br]resuelto el problema de Holanda.

0:09:42.711,0:09:47.211
Elegiremos otra operación de agrupación[br]que utiliza una métrica de distancia.

0:09:56.410,0:09:59.826
La columna del país ya está arreglada[br]y no hay más grupos que encontrar.

0:10:00.474,0:10:01.996
Pero sigue habiendo un error.

0:10:02.394,0:10:04.908
"Norway" tiene un carácter espaciado.

0:10:05.146,0:10:07.496
Mire si puede encontrar[br]una forma de solucionarlo.

0:10:09.690,0:10:13.475
Ahora, vamos a utilizar la herramienta [br]para limpiar una columna numérica,

0:10:13.639,0:10:15.163
como el límite de crédito.

0:10:15.539,0:10:18.652
Primero, aplicaremos una transformación [br]numérica en la columna

0:10:18.834,0:10:21.018
para que se reconozcan todos los números.

0:10:21.909,0:10:24.954
Algunos valores de esta columna [br]no se reconocen como números.

0:10:25.484,0:10:27.972
Esto se debe a que hay[br]valores alfanuméricos,

0:10:27.972,0:10:30.288
como USD o el símbolo del dólar.

0:10:31.328,0:10:34.010
Podemos corregirlo [br]aplicando la faceta numérica.

0:10:34.750,0:10:38.026
A la izquierda, vemos un gráfico [br]con la distribución de los datos.

0:10:38.900,0:10:44.553
Filtremos solo los valores no numéricos[br]y cambiemos los valores de los campos

0:10:44.553,0:10:46.244
desde el cuadro de expresión.

0:10:52.930,0:10:55.720
Esta pantalla nos permite ver[br]los valores originales,

0:10:55.720,0:10:58.383
así como los resultados [br]cuando se aplica la expresión.

0:11:02.670,0:11:07.472
Utilizaremos la función de sustitución[br]para reemplazar los caracteres no deseados

0:11:07.472,0:11:08.735
con espacios en blanco.

0:11:09.147,0:11:12.576
Vamos a quitar los símbolos "USD", [br]"$" y la coma.

0:11:14.010,0:11:17.588
Como puede ver, se pueden realizar[br]varias funciones en una sola línea.

0:11:18.028,0:11:20.308
Podemos llamarlo[br]"encadenamiento de operadores".

0:11:21.168,0:11:23.786
Todos los caracteres alfanuméricos[br]han sido eliminados.

0:11:26.970,0:11:30.623
Cuando hacemos clic en Aceptar, la[br]herramienta sigue sin verlos como números.

0:11:31.280,0:11:34.318
Para ello, tendremos que usar[br]la función "toNumber"

0:11:34.318,0:11:38.308
para convertir los valores de la faceta[br]en valores numéricos.

0:11:48.170,0:11:51.800
Hemos probado estas operaciones[br]en una faceta numérica.

0:11:52.420,0:11:55.120
Para aplicar los cambios [br]al conjunto del proyecto,

0:11:55.120,0:11:58.440
copiamos la expresión y la aplicamos[br]a una transformación de columna.

0:11:59.064,0:12:02.029
Esto garantiza que todos los valores[br]del límite de crédito

0:12:02.029,0:12:03.594
se han convertido en números.

0:12:13.100,0:12:15.506
Una vez que hemos limpiado[br]el resto de los datos,

0:12:15.551,0:12:18.762
estamos listos para exportar el archivo[br]en el formato deseado.

0:12:19.372,0:12:23.467
Para este ejemplo, vamos a exportarlo [br]como un archivo CSV

0:12:23.626,0:12:25.565
y a abrirlo para ver los resultados.

0:12:30.430,0:12:32.678
Ahora, todas las columnas [br]tienen datos limpios,

0:12:32.834,0:12:35.380
listos para ser almacenados[br]en una base de datos

0:12:35.380,0:12:37.137
o para su posterior análisis.