Cómo limpiar una base de datos de encuesta antes de analizarla, en 5 pasos

Antes de ir a la base de datos, un chequeo rápido de su estructura: cuántas filas y columnas tiene, si todas las filas tienen las mismas columnas y si la primera fila son los nombres de las variables. Un separador o una comilla escritos dentro de una respuesta, o las comillas simples de una exportación de SPSS, parten una fila y corren el resto de los valores sin que se note.

Un caso cargado dos veces cuenta doble en cada porcentaje. Busca las filas idénticas y, aparte, los identificadores que se repiten: si dos filas distintas tienen el mismo ID, una está mal cargada o dos personas comparten número. Borra las copias, pero no elijas a ciegas cuál de dos filas con el mismo ID es la buena: consulta el origen.

Una columna sin una sola respuesta suele ser una pregunta que nadie vio por un filtro del formulario. En una que más de la mitad dejó en blanco, cualquier promedio se calcula sobre muy pocos casos. Y una con el mismo valor en todos los casos, como el año de la encuesta, no aporta nada. Decide qué hacer con cada una.

Un 99 o un −1 que quiere decir «no contesta» y entra al promedio como si fuera una respuesta lo arruina sin avisar. Lo mismo pasa con una columna numérica donde alguien escribió «no sabe» (basta uno para que el programa la lea como texto) y con decimales escritos con coma y con punto, 3,5 y 3.5, que según el idioma del programa se leen unos como número y otros como texto. Deja vacío lo que no se contestó, pasa las respuestas con letras a otra columna y usa un solo separador decimal.

Corrige en una copia del archivo de origen, no sobre el original: borra las copias, resuelve los ID, deja vacío lo no contestado, unifica el decimal y saca las columnas que no sirven. Deja una fila por caso y una columna por variable. Guarda la versión corregida con otro nombre y anota qué cambiaste (qué filas borraste y por qué, qué códigos pasaste a vacío), para poder explicarlo y repetirlo.