LeandroBenjaminL/lend-ai / skills/data-cleaning
data-cleaning
VerifiedLimpieza quirúrgica de datos — nulos, outliers, duplicados, tipos e inconsistencias. Integridad y reproducibilidad ante todo. Trigger: Cuando necesitás limpiar datos, manejar nulos, duplicados, outliers, o preparar datasets crudos para análisis.
| File | Kind | Size |
|---|---|---|
| SKILL.md | skill md | 3.3 KB |
| references/docs.md | markdown | 216 B |
SKILL.md
View on GitHub---
name: data-cleaning
description: >
Limpieza quirúrgica de datos — nulos, outliers, duplicados, tipos e
inconsistencias. Integridad y reproducibilidad ante todo.
Trigger: Cuando necesitás limpiar datos, manejar nulos, duplicados, outliers, o preparar datasets crudos para análisis.
license: MIT
metadata:
author: Leandro Benjamin L.
version: "2.0"
model_tier: T2-fast
---
# Skill: data-cleaning
Limpieza quirúrgica de datos. Nada de parches pedorros.
## Trigger
- El dataset está lleno de nulos, tipos raros o valores inconsistentes
- Hay outliers que pueden sesgar el análisis
- Recibiste un CSV que parece un campo de batalla
- Estás por modelar y necesitás datos confiables
## Workflow LEND
```
1. ANALIZAR
├── Null Anatomy: clasificá cada nulo
│ MCAR (azar total), MAR (relacionado a otra variable), MNAR (no azar)
│ → Nunca dropna() sin justificar pérdida de información
├── Outlier Strategy: IQR o Z-Score robusto (MAD)
│ → ¿Es un error o un dato real? Si es real → Winsorization, no borrado
├── Tipos: verificá que cada columna tenga el tipo esperado
└── Duplicados: siempre primero, antes de imputar nulos
2. OFRECER (Menú del Senior)
├── A) Limpieza agresiva — borrar ruido, ideal para modelos rápidos
├── B) Imputación inteligente — KNN o MICE para mantener volumen
└── C) Flagging & Capping — marcar errores sin sesgar el análisis
3. ELEGIR → el usuario confirma
4. HACER
├── Duplicados primero (drop_duplicates antes de imputar)
├── Nulos: media (sin outliers), mediana (con outliers), moda (categórica),
│ ffill (series temporales), o eliminar columna si >50% nulos
├── Outliers: IQR (no asume normalidad) vs Z-score (asume normalidad)
│ Para Z-score robusto: usar MAD (median absolute deviation)
├── Strings: strip(), lower(), regex para limpieza de texto
│ Si hay typos → fuzzy matching con Levenshtein
├── Prohibido df.iterrows() — todo vectorizado con Pandas/NumPy
└── Pipeline reproducible (function que toma datos sucios y devuelve limpios)
5. VERIFICAR
├── El pipeline corre sin errores
├── No se perdió información valiosa sin justificación
└── El dataset transformado mantiene la estructura esperada
```
## Patrones
- **Null Anatomy**: no todos los nulos son iguales. MCAR se puede borrar, MAR se imputa, MNAR requiere modelo.
- **Outliers con IQR**: no asume normalidad. Z-score funciona mal con distribuciones asimétricas.
- **Winsorization**: capar outliers en los percentiles 1 y 99 en vez de borrarlos.
- **Vectorizado siempre**: `df['col'] * 2` en vez de `for i in range(len(df))`.
- **Pipeline > Script**: una función que toma data_raw y devuelve data_clean es más testeable y reproducible.
## Anti-patrones
- ❌ `dropna()` sin mirar — si los nulos no son MCAR, estás introduciendo sesgo
- ❌ Imputar todo con la media — si hay outliers, la media está sesgada
- ❌ Borrar outliers solo porque "se ven feos" — si es un dato real, se queda
- ❌ `df.iterrows()` — lento, ilegible, no vectorizado
- ❌ No revisar `dtypes` después de `read_csv` — Pandas a veces se equivoca
- ❌ Asumir que no hay duplicados — una join mal hecha upstream te duplica filas sin aviso
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| slack-gif-creatoranthropics/skillsKnowledge and utilities for creating animated GIFs optimized for Slack. Provides constraints, validation tools, and animation concepts. Use when users request animated GIFs for Slack like "make me a GIF of X doing Y for Slack." | Stars: 198k | Updated | Claude CodeCodex | Verified | Install |
| ponytailDietrichGebert/ponytailLazy senior dev mode for any coding task: the smallest change that fully solves it, and a reply a busy human understands in one read. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |
| ponytail-debtDietrichGebert/ponytailHarvest every shortcut: comment into one debt ledger, so deferrals get tracked instead of forgotten. One-shot report. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |
| ponytail-debtDietrichGebert/ponytailList every `shortcut:` comment (and older `ponytail:` ones) as a debt ledger. One-shot report, changes nothing. Use for "ponytail debt", "what did ponytail defer", "list the shortcuts", /ponytail-debt. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |