El informe descriptivo¶

Ejercicio descriptive-report-annex.pdf · PDF

Antes de descargar un juego, ¿qué lees? La página de la tienda. Qué es, quién lo ha hecho, cuánto pesa la descarga, qué dicen las reseñas, si funciona en tu máquina. Un minuto, y decides.

Ahora piensa en games_clean. Has pasado cinco semanas limpiándola y una lección midiéndola. Sabes que el precio tiene una cola, que nueve de cada diez juegos no tienen Metascore, que "owners" es el extremo inferior de un rango. Nadie más sabe nada de eso. Si un compañero abre tu tabla mañana, verá 26,685 filas y ningún aviso.

Hoy escribes la página que se lo cuenta. Es la última pieza de la etapa de "preparar": la etiqueta de la caja antes de que llegue a la gente que va a construir con ella.

La página de la tienda de un conjunto de datos¶

Un informe descriptivo es un texto breve que le cuenta a alguien que nunca ha abierto un conjunto de datos qué hay dentro, de dónde viene, qué calidad tiene y para qué no sirve.

Es la página de la tienda de tus datos. La lees antes de "instalar" los datos en un gráfico. Y como una página de tienda, tiene siempre las mismas secciones, para que el lector sepa dónde mirar. Nos quedamos con la página de la tienda durante toda la lección.

flowchart LR
    subgraph CTX ["¿Puedo fiarme?"]
        direction TB
        P1["<b>1 · Fuente</b><br>quién, dónde, cuándo"] --> P2["<b>2 · Tamaño</b><br>filas, columnas, periodo"] --> P3["<b>3 · Variables</b><br>columnas, tipos, unidades"]
    end
    subgraph FIG ["¿Qué dice?"]
        direction TB
        P4["<b>4 · Calidad</b><br>ausente, estimado, dudoso"] --> P5["<b>5 · Cifras clave</b><br>centro, dispersión, distribución"]
    end
    subgraph LIM ["¿Dónde se acaba?"]
        P6["<b>6 · Límites</b><br>lo que no puede decirte"]
    end
    CTX --> FIG --> LIM

Todo cabe en 250 palabras. Ese límite no es un castigo. Es el ejercicio.

Dos informes, los mismos datos¶

Dos estudiantes describen la misma tabla. ¿En cuál confiarías?

Ahora señala las palabras exactas que marcan la diferencia:

Esa última fila importa. La tabla muestra 53 juegos lanzados en 2004 y 8,845 en 2018. Eso son más juegos lanzados. No son más jugadores: la tabla no cuenta jugadores en absoluto. El informe A fue más allá de los datos. El informe B supo cuándo parar.

Partes 1 a 3: ¿qué es esto?¶

Estas tres casi no necesitan consultas. Responden a "¿qué estoy mirando?".

Parte 1 · Fuente¶

Di quién recogió los datos, dónde y cuándo se publicaron, y quién los limpió. En nuestra tabla: los datos los recogió Liza Wood del sitio Steam Spy, y los publicó el proyecto TidyTuesday el 30 de julio de 2019 como video_games.csv (el archivo de la página de Recursos). Los limpiamos en clase en games_clean.

Un informe es reproducible cuando otra persona, solo con lo que has escrito, puede obtener los mismos datos y llegar a los mismos números.

Un archivo se queda igual. Una API no: mañana puede responder distinto. Así que, cuando tus datos vienen de una API, como algunos de los conjuntos de datos de tu propio proyecto, la "fuente" debe nombrar tres cosas más, o nadie podrá volver a obtener las mismas filas:

Las API vienen de Fuentes de datos: preguntas a una dirección web y te responde con datos. Escribir "fuente: PokéAPI" es como citar un libro con "fuente: la biblioteca".

Parte 2 · Tamaño¶

Una consulta te da casi todo:

SELECT COUNT(*) AS n_games, MIN(release_date) AS first_release,
       MAX(release_date) AS last_release
FROM games_clean;

Añade el número de columnas (la tabla tiene 15) y, sobre todo, di qué es una fila. Parece demasiado obvio para escribirlo. Es la frase más útil de todo el informe.

Parte 3 · Variables¶

No enumeres las 15 columnas. Agrupa las importantes y da de cada una su tipo y su unidad.

Sin la unidad, "tiempo de juego 110" podrían ser minutos, horas o sesiones. En este conjunto de datos son minutos.

Partes 4 y 5: ¿qué dice?¶

Aquí reutilizas la ficha estadística de Estadística exploratoria. Cada frase se construye igual.

Número + unidad + significado. "4.99" es el resultado de una consulta. "El juego típico cuesta 4.99 USD (mediana)" es una frase.

Parte 4 · Calidad¶

Nombra lo que falta, lo que está estimado o es dudoso, y cuánto. Siempre un recuento o un porcentaje.

SELECT COUNT(*) AS games, COUNT(metascore) AS with_score,
       ROUND(100.0 * COUNT(metascore) / COUNT(*), 1) AS pct_with_score
FROM games_clean;

Fíjate en la segunda frase de la versión fuerte. En Imputación decidiste no rellenar el Metascore. El informe es donde cuentas al lector tus decisiones: qué rellenaste, con qué y qué te negaste a rellenar.

Parte 5 · Cifras clave¶

Centro, dispersión y una distribución. Para la distribución, el patrón de porcentaje sobre el total de Variables sintéticas hace el trabajo:

SELECT price_band, COUNT(*) AS n,
       ROUND(100.0 * COUNT(*) / SUM(COUNT(*)) OVER (), 1) AS pct
FROM games_clean GROUP BY price_band ORDER BY n DESC;

Parte 6: lo que los datos no pueden decirte¶

Esta es la parte que los principiantes se saltan, y la que hace fiable un informe.

Los límites de un conjunto de datos son las preguntas que no puede responder y las conclusiones que no respalda.

Pregúntate: ¿qué concluiría mal un periodista con prisa a partir de esta tabla? Después escribe la advertencia. Un buen límite suele empezar con "Estos datos no pueden decir..." o "Cuidado: ...".

Otras tres columnas esconden un límite cada una: metascore, price y release_date. Piensa en qué juegos reciben una puntuación de reseñas, en qué día se leyó el precio y en cuál es la última fecha de la tabla. Encontrar esos límites es tu trabajo en la práctica de abajo.

Pruébalo: escribe el informe¶

Escribe el informe descriptivo de games_clean: seis partes con su encabezado, 250 palabras como máximo, de modo que un compañero de otro grupo pueda usar la tabla sin preguntarte nada.

Paso 1 — Partes 1 a 3. La fuente y las variables salen de tus apuntes de esta unidad. El tamaño necesita la consulta de arriba.

Paso 2 — Partes 4 y 5. Reutiliza tu ficha estadística. Mínimo: dos problemas de calidad, cada uno con un recuento o un porcentaje; el centro y la dispersión de price; y una distribución (price_band u owners_tier).

Paso 3 — Parte 6. Ninguna consulta. Al menos dos límites.

Paso 4 — Adjunta el SQL. Pega las consultas que hay detrás de cada cifra debajo del informe. No cuentan para las 250 palabras. Son lo que lo hace reproducible.

Paso 5 — Intercambia. Dale tu informe a un compañero y coge el suyo. Marca esta lista de comprobación. La regla: cada "No" tiene que señalar la línea a la que se refiere. Sin notas y sin adjetivos, solo sí, no y dónde.

Después arregla un "No" de tu propio informe. Leer un informe que no has escrito tú es la forma más rápida de ver qué le falta al tuyo.

Ideas clave¶

• Un informe descriptivo es la página de tienda de un conjunto de datos: léelo antes de usar los datos.
• Tiene seis partes: fuente, tamaño, variables, calidad, cifras clave, límites. Siempre en ese orden, cada una con su encabezado.
• Cada cifra es número + unidad + significado, y se adjunta la consulta que la produjo.
• La fuente debe hacer el informe reproducible. En una API eso significa endpoint, parámetros y fecha de extracción.
• En una columna sesgada como price, escribe la mediana (o ambos centros) y di por qué.
• Los límites dicen lo que los datos no pueden decir. Hacen el informe fiable, no débil.
• Un informe selecciona. Todos los resultados de tus consultas pegados juntos son un registro, no un informe.

Comprobación rápida¶

Con esto se cierra la etapa de "preparar". Tu tabla está limpia, medida y descrita. Pero nunca se ha dibujado. Es hora de construir el HUD: Unidad 3 · Visualización.