Como limpar uma base de dados de pesquisa antes de analisá-la, em 5 passos

Antes de ir para os dados, uma checagem rápida da estrutura: quantas linhas e colunas tem, se todas as linhas têm as mesmas colunas e se a primeira linha traz os nomes das variáveis. Um separador ou uma aspa escritos dentro de uma resposta, ou as aspas simples de uma exportação do SPSS, partem uma linha e deslocam o resto dos valores sem que ninguém perceba.

Um caso carregado duas vezes conta em dobro em cada porcentagem. Procure as linhas idênticas e, à parte, os identificadores que se repetem: se duas linhas diferentes têm o mesmo ID, uma foi mal carregada ou duas pessoas compartilham um número. Apague as cópias, mas não escolha às cegas qual de duas linhas com o mesmo ID é a certa: consulte a origem.

Uma coluna sem uma única resposta costuma ser uma pergunta que ninguém viu por causa de um filtro do formulário. Numa que mais da metade deixou em branco, qualquer média é calculada sobre pouquíssimos casos. E uma com o mesmo valor em todos os casos, como o ano da pesquisa, não traz nada. Decida o que fazer com cada uma.

Um 99 ou um −1 que significa «não respondeu» e entra na média como se fosse uma resposta a arruína sem avisar. O mesmo acontece com uma coluna numérica em que alguém escreveu «não sabe» (basta um para o programa ler a coluna como texto) e com decimais escritos com vírgula e com ponto, 3,5 e 3.5, que, conforme o idioma do programa, são lidos uns como número e outros como texto. Deixe em branco o que não foi respondido, passe as respostas escritas com letras para outra coluna e use um só separador decimal.

Corrija uma cópia do arquivo de origem, nunca o original: apague as cópias, resolva os IDs, deixe em branco o que não foi respondido, unifique o decimal e tire as colunas que não servem. Mantenha uma linha por caso e uma coluna por variável. Salve a versão corrigida com outro nome e anote o que mudou (quais linhas apagou e por quê, quais códigos passou para branco), para poder explicar e repetir.