Indice / Practicas / EJ-5.2

EJ-5.2 · Limpieza integral de clientes

Tenés el padrón de clientes tal como salió del sistema: 120 filas con nombres mal tipeados, correos rotos, edades imposibles y campos vacíos. Hay que dejarlo usable, y dejar constancia de todo lo que se descartó.

Qué hay que hacer

A partir de un archivo de entrada, producir dos archivos de salida:

• clientes_limpios.csv - los clientes que sirven, normalizados.
• clientes_rechazados.csv - una fila por cliente descartado, con la columna que tenía el problema, el valor tal cual venía, y el motivo.

Nadie te va a decir cómo. Lo que sí está fijado, hasta el último detalle, es cómo tiene que quedar el resultado: eso es el contrato de más abajo. Cuando tu archivo coincida con el objetivo, terminaste.

Cómo saber si te salió

Bajá el objetivo y comparar.py, y corré:

python comparar.py mi_salida.csv clientes_limpios.csv

Si dice OK, tu archivo es idéntico al esperado. Si no, te dice qué columna, qué fila y qué valor difiere. No hay nota ni entrega: es para vos.

Antes de arrancar, mirá los datos

Fijate que la columna edad tiene de todo: números, la palabra treinta, un guion, campos vacíos y edades imposibles. Y que hay nombres con espacios de más y correos en mayúsculas.

El contrato de salida

Todo lo que sigue es obligatorio. Si dos personas resuelven el ejercicio bien, tienen que producir exactamente el mismo archivo; para eso está fijado el orden de las filas, el nombre y el orden de las columnas, y qué se hace con cada defecto.

clientes_limpios.csv · 87 filas

Orden de las filas: id ascendente. Es unico, asi que no hace falta desempate. Indice: no se escribe: to_csv(index=False)

clientes_rechazados.csv · 33 filas

Orden de las filas: id_origen ascendente. Indice: no se escribe: to_csv(index=False)

Que hacer con cada defecto

Conteos clave

Si estos numeros no te dan, algo se desvio antes de que llegues a comparar los archivos.

Invariantes

Comprobaciones que tu resultado tiene que cumplir. Corrilas vos mismo antes de comparar los archivos:

len(limpios) + len(rechazados) == 120
limpios['id'].is_unique
limpios['edad'].between(18, 100).all()
limpios['correo'].str.contains('@').all()
(limpios['nombre'].str.strip() != '').all()
limpios['edad_imputada'].sum() == 3
set(rechazados['motivo']) <= {'ausente', 'no_numerico', 'fuera_de_rango', 'restriccion_violada'}
rechazados['id_origen'].is_unique

Así tiene que quedar