¿Qué es exactamente un conjunto de datos y cómo se estructura?

Un conjunto de datos, comúnmente conocido como dataset en diversos ámbitos hispanohablantes, representa una colección organizada de información habitualmente dispuesta en formato tabular. Esta estructura permite almacenar valores correspondientes a múltiples variables y observaciones para su posterior análisis estadístico o computacional.

¿Cómo se organizan los datos en formato tabular?

En los datos tabulares, la información se organiza de manera sistemática en filas y columnas. Cada columna representa una variable específica, como por ejemplo la altura o el peso de un objeto analizado. Por su parte, cada fila corresponde a un miembro individual o unidad de observación dentro del conjunto total de datos. Cada valor singular contenido en esta intersección se denomina comúnmente dato. Asimismo, un conjunto de datos también puede adoptar la forma de una colección no tabular compuesta por documentos o archivos digitales.

¿Qué tipos de valores pueden contener las variables?

Los valores almacenados en un conjunto de datos pueden adoptar diversas naturalezas según el nivel de medición requerido. Es frecuente encontrar valores numéricos, tales como números enteros o reales, que cuantifican propiedades físicas como la altura expresada en centímetros. Sin embargo, también se emplean datos nominales de carácter no numérico para clasificar atributos cualitativos, por ejemplo, la etnia de una persona. Habitualmente, todos los valores pertenecientes a una misma variable comparten un tipo homogéneo, aunque es posible que existan valores faltantes que deban identificarse adecuadamente.

¿Cómo influyen los conjuntos de datos en el método científico?

La publicación abierta de los conjuntos de datos recopilados durante una investigación experimental constituye un pilar fundamental para garantizar su reproducibilidad. Diversas normativas impulsadas por revistas científicas y legislaciones públicas exigen la divulgación de estos registros con el propósito de mitigar sesgos metodológicos y permitir la verificación independiente de los hallazgos descritos por los investigadores.

¿De qué manera se obtienen y procesan estadísticamente?

En el ámbito de la estadística, los conjuntos de datos provienen comúnmente de observaciones reales obtenidas mediante el muestreo de una población estadística determinada. Adicionalmente, es posible generar conjuntos de datos artificiales mediante algoritmos computacionales orientados a probar el funcionamiento de programas informáticos. Cuando los registros presentan ausencias o inconsistencias, los analistas suelen aplicar métodos de imputación para completar la información faltante. Programas modernos de análisis estadístico como SPSS continúan utilizando esta representación clásica de filas y columnas.

¿Cuándo un conjunto de datos se considera big data?

Cuando el volumen, la velocidad o la variedad de un conjunto de datos superan la capacidad de las herramientas y aplicaciones tradicionales de procesamiento de datos para gestionarlos, analizarlos y almacenarlos de forma eficiente, la colección pasa a denominarse bajo el concepto de big data.

Sources & Further Reading

Snijders, C., Matzat, U., & Reips, U.-D. (2012). 'Big Data': Big gaps of knowledge in the field of Internet. International Journal of Internet Science, 7, 1-5. Disponible en: http://www.ijis.net/ijis7_1/ijis7_1_editorial.html

Jan M. Żytkow, & Jan Rauch. (1999). Principles of data mining and knowledge discovery. ISBN: 978-3-540-66490-1.

Frank Kane. (2017). Taming Big Data with Apache Spark and Python. Packt. ISBN: 978-1787287945.