Elysia Tools

Explora herramientas, ejemplos, explicaciones visuales y guías temáticas en un solo espacio claro.

Categorías populares

Temas

Idioma
ZHDERUPTENFRES

Elysia Tools

Navegación

Workflow Playbook

Revisión y entrega de particiones estratificadas para clasificación

Prepara registros independientes, fija una división estratificada reproducible, revisa cobertura de clases y riesgos de fuga y entrega particiones con un registro verificable.

Este tema aún no está disponible como plantilla de un clic.Ver temas ejecutables →

Empieza aquí

¿Nuevo en este flujo? Sigue los pasos en orden, empezando por la primera herramienta abajo. ¿Ya sabes lo que necesitas? Ve directo al paso correspondiente: todas las herramientas de este flujo están en la tabla comparativa.

Primera herramienta: Validador CSV

Temas

Herramientas de este flujo, comparadas

HerramientaQué haceCategoría
Validador CSVValida la estructura CSV, detecta filas malformadas, comillas desbalanceadas y columnas inconsistentesData Processing
Perfilador de calidad de datasetsPerfila datasets CSV o JSON para detectar faltantes, duplicados, drift de formato, tipos y outliers.Data Analysis
Agrupador de Datos CSVAgrupa datos CSV por columnas especificadas con opciones de agregación. Perfecto para resumir y analizar grandes conjuntos de datos por categorías, fechas u otros criterios.Data Processing
Selector de Columnas CSVSelecciona columnas específicas de datos CSV por nombres de columna o índices. Perfecto para extraer datos relevantes de archivos CSV grandes con muchas columnas.Data Processing

Temas

Continuar con temas cercanos

Eliminador de filas duplicadas CSVSube un archivo CSV o pega texto CSV, elimina filas duplicadas con coincidencia exacta o difusa y descarga un CSV limpio.Data Processing
Verificador de Hash de ArchivoCalcula valores hash MD5/SHA1/SHA256 para archivos y verifica contra hashes esperadosUtilities
Divisor train/test con estratificaciónLee un dataset CSV/JSON y divide en train/validation/test con muestreo estratificado por la columna objetivo (70/15/15 por defecto, semilla reproducible), o valida con k-fold estratificado; incluye informe de distribución de clases por split con barras de desviación, comprobación de fugas por filas duplicadas, vista previa de SMOTE (interpolación de vecinos sobre el split de train) y exportación de los CSV en ZIP.Data Analysis
Detector de desbalance y remuestreoDetecta desbalance de clases en datasets CSV o JSON, compara estrategias y previsualiza una salida balanceadaData Analysis

Definir la unidad de predicción

Este procedimiento entrega archivos de entrenamiento, validación y prueba revisados para un experimento de clasificación, no un modelo ni una certificación de ausencia de sesgo. Define qué representa una observación y qué información existiría al predecir. Usuarios, pacientes, hogares o documentos relacionados no se vuelven independientes por ocupar filas distintas. Si necesitas separar grupos o respetar el tiempo, usa otro método: este divisor no tiene esos controles.

Confirma autorización y conserva una correspondencia controlada con las fuentes. Revisa etiquetas vacías, variantes ortográficas y recuentos. No aceptes una etiqueta ausente como clase nueva. Valida el CSV antes de dividir: el lector puede completar filas cortas y recortar celdas que exceden el encabezado. Resuelve encabezados ambiguos y filas dañadas; exportar correctamente no prueba que todos los valores sobrevivieron.

Para contar clases, usa con el agrupador una tabla simple de una columna de etiquetas ya verificada, no texto multilínea ni etiquetas con delimitadores entre comillas. Su lector es básico; si las etiquetas necesitan reglas CSV complejas, utiliza un lector externo adecuado y concilia totales. No cambies ni fusiones etiquetas para acomodar el lector.

Resolver duplicados manteniendo trazabilidad

Selecciona características y etiqueta, conservando una clave de registro fuera de las variables predictivas o una correspondencia externa autorizada. Para buscar duplicados, compara contenido relevante en una copia sin que los ID únicos oculten igualdad, pero mantén el vínculo con cada original. La deduplicación elimina filas; nunca la ejecutes sobre el único original ni aceptes coincidencias difusas sin revisión.

Una medición repetida puede ser legítima y exigir otro tipo de división. Etiquetas contradictorias para el mismo contenido requieren adjudicación, no eliminar una al azar. Documenta copias accidentales retiradas y claves conservadas. No ajustes imputación, escalado, selección de variables o balanceo con todos los datos: las transformaciones aprendidas se ajustan solo en entrenamiento.

Congelar la asignación real

Registra hash de la entrada exacta, orden, campos, objetivo, versión de herramienta, modo, porcentajes, semilla y opciones de mezcla y estratificación. La semilla no basta si cambia el archivo o la implementación; no garantiza miembros idénticos a scikit-learn. En modo estándar, prueba recibe el porcentaje restante tras entrenamiento y validación. Revisa cantidades enteras, no solo proporciones solicitadas.

Con 100 observaciones independientes y clases de 80 y 20, un plan 70/15/15 puede repartir la clase menor en 14/3/3. Dos ejemplos no pueden cubrir tres subconjuntos. No fusiones etiquetas distintas ni desactives estratificación para eliminar advertencias. En k-fold, los conjuntos de entrenamiento se solapan entre pliegues por diseño, pero cada pareja debe aislar sus miembros de validación. No se genera una prueba final independiente.

Conciliar miembros y conservar evaluación intacta

Inspecciona el ZIP: en modo estándar contiene train.csv, validation.csv, test.csv y split_report.json. Recuenta clases y compara claves con la entrada aprobada; cada original elegible debe aparecer una sola vez entre los tres subconjuntos. El control integrado compara filas enteras: ID distintos o pequeños cambios pueden ocultar contenido equivalente. Revisa además entidades, casi copias e información derivada del futuro. El JSON no contiene un registro completo de pertenencia o fugas: conserva también avisos visibles y comprobaciones externas.

Usa el analizador de desequilibrio solo sobre una copia de entrenamiento y, en validación cruzada, dentro de cada pliegue de entrenamiento. SMOTE aquí es una vista de características numéricas, no añade ejemplos a los CSV. Un ID o código entero no es una variable continua válida por ser numérico. Mantén evaluación intacta y registra cualquier remuestreo como experimento separado. Valida y calcula hashes de los archivos finales, guarda copias locales, aprobación y riesgos pendientes, y excluye las claves del modelo. Cambiar datos, orden u opciones exige otra revisión; la limpieza general y el análisis estadístico siguen en los flujos relacionados.

Antes de empezar

  • Confirma permiso de carga, objetivo y momento de predicción; conserva el original y una correspondencia estable entre registros y fuentes.
  • Determina si las filas son independientes e identifica sujetos repetidos, grupos, secuencia temporal y fuentes casi duplicadas antes de dividir.
  • Acuerda etiquetas, cobertura de clases, proporciones y protección de la evaluación; registra versiones, parámetros y decisiones de revisión.

Guía de flujo de trabajo

Entregar particiones auditables sin confundir estratificación con ausencia de fuga

  1. 1

    Comprobar datos y elegibilidad

    Valida la estructura CSV, perfila etiquetas ausentes y cuenta clases. Revisa unidad y tiempo de predicción; detén esta ruta si no puedes imponer aislamiento por grupo o tiempo.

  2. 2

    Aprobar columnas y duplicados

    Selecciona campos conservando una clave no predictiva o correspondencia externa. Compara contenido, no solo ID; elimina únicamente duplicados accidentales confirmados y documenta la decisión.

  3. 3

    Fijar entrada y generar particiones

    Calcula el hash exacto y registra orden y parámetros. Ejecuta la división estratificada estándar con semilla y exporta el ZIP; k-fold opcional genera pares, no una prueba final independiente.

  4. 4

    Revisar miembros y alternativas de entrenamiento

    Recuenta clases, concilia pertenencias y revisa avisos, entidades y contenido. No alteres evaluación; compara desequilibrio solo en entrenamiento y distingue la vista SMOTE de datos aumentados exportados.

Elige la ruta adecuada

¿Es válida la independencia entre filas?

Usa esta ruta solo con registros justificadamente independientes. Personas repetidas, documentos relacionados y predicción futura pueden requerir división por grupos o tiempo fuera de esta herramienta.

¿Hay suficientes ejemplos por clase?

Comprueba cantidades reales. Una clase puede faltar en una partición aun pasando la validación; recoge datos o revisa el diseño, no desactives la estratificación para ocultar avisos.

¿Conservar o remuestrear entrenamiento?

Guarda primero una base sin remuestreo. Compara alternativas solo en entrenamiento, o dentro de cada pliegue de entrenamiento, nunca en el conjunto completo ni en evaluación.

Se considera terminado cuando

  • La entrada aprobada tiene recuentos conocidos, encabezados únicos, etiquetas ausentes resueltas y decisiones sobre duplicados, con justificación de la división por filas.
  • Se registran hash, orden, campos, objetivo, semilla, modo, proporciones y opciones; los recuentos y la cobertura reales cumplen el plan.
  • La pertenencia a entrenamiento, validación y prueba está conciliada sin cruces ni omisiones inexplicados; entidades, copias y tiempo tienen revisión adicional al control de filas idénticas.
  • Los CSV finales conservan columnas y cantidades previstas, tienen SHA-256 propios y se entregan con informe, registro de miembros, avisos, aprobación y experimentos de entrenamiento separados.
Tema

Flujos de calidad de datos e investigación de anomalías

Perfila datos tabulares, aísla duplicados, faltantes, rupturas referenciales, valores atípicos y anomalías temporales, y convierte los hallazgos en evidencia defendible.

Tema

Limpieza, conformación y normalización de datos tabulares

Lleve datos tabulares desordenados a listos para analizar — fusione las tablas de origen en una, elimine las marcas de orden de bytes que rompen la coincidencia de columnas, conserve solo las columnas necesarias, corrija ortografía y formatos, trate los valores atípicos por política y no por pánico, escale o estandarice los números y termine con límites de rango y una tabla cruzada de resumen.

Tema

Herramientas de analisis estadistico, pruebas y distribuciones

Resume datos numericos, mide dispersion, compara grupos, calcula confianza y probabilidad, y modela relaciones con herramientas estadisticas enfocadas.

Inicio
Herramientas3212
Ejemplos593
Visualizaciones471
Visores de archivos103
Temas239
Etiquetas333
Imágenes, audio y video657

Herramientas de procesamiento, conversión y optimización de imágenes, audio y video

Matemáticas, fechas y finanzas647

Calculadoras, herramientas numéricas, lógica de fechas, estadística y finanzas

Diseño y color298

Herramientas de color, maquetación, gráficos, estilo visual y apoyo al diseño

Texto y redacción209

Herramientas de redacción, limpieza, formato, extracción y análisis de texto

Desarrollo y Web193

Utilidades para desarrolladores, red, depuración web y automatización

Conversión y codificación175

Herramientas de conversión de formatos, archivos, unidades, archivos comprimidos y codificación

Lanzamiento de un cuestionario de captación y entrega de contactos
Textos conmemorativos: revisión familiar y entrega para impresión
Hábitos privados: copia, restauración y revisión antes de compartir
De artículo a borradores de X y LinkedIn: revisión factual y entrega
Revisión de una lección Markdown interactiva y entrega sin conexión

© 2026 Elysia Tools. Todos los derechos reservados.

DocumentaciónPreciosAcerca deTérminos de servicioPolítica de privacidadCookiesContacto
  • 5

    Validar y archivar

    Valida cada CSV y su correspondencia con las columnas, cantidades y miembros aprobados. Guarda hashes, archivos locales, split_report.json y revisiones externas; cualquier cambio requiere nueva aprobación.

  • Data Processing

    Validador CSV

    Valida la estructura CSV, detecta filas malformadas, comillas desbalanceadas y columnas inconsistentes

    Data Analysis

    Perfilador de calidad de datasets

    Perfila datasets CSV o JSON para detectar faltantes, duplicados, drift de formato, tipos y outliers.

    Data Processing

    Agrupador de Datos CSV

    Agrupa datos CSV por columnas especificadas con opciones de agregación. Perfecto para resumir y analizar grandes conjuntos de datos por categorías, fechas u otros criterios.

    Data Processing

    Selector de Columnas CSV

    Selecciona columnas específicas de datos CSV por nombres de columna o índices. Perfecto para extraer datos relevantes de archivos CSV grandes con muchas columnas.

    Data Processing

    Eliminador de filas duplicadas CSV

    Sube un archivo CSV o pega texto CSV, elimina filas duplicadas con coincidencia exacta o difusa y descarga un CSV limpio.

    Utilities

    Verificador de Hash de Archivo

    Calcula valores hash MD5/SHA1/SHA256 para archivos y verifica contra hashes esperados

    Data Analysis

    Divisor train/test con estratificación

    Lee un dataset CSV/JSON y divide en train/validation/test con muestreo estratificado por la columna objetivo (70/15/15 por defecto, semilla reproducible), o valida con k-fold estratificado; incluye informe de distribución de clases por split con barras de desviación, comprobación de fugas por filas duplicadas, vista previa de SMOTE (interpolación de vecinos sobre el split de train) y exportación de los CSV en ZIP.

    Data Processing

    Agrupador de Datos CSV

    Agrupa datos CSV por columnas especificadas con opciones de agregación. Perfecto para resumir y analizar grandes conjuntos de datos por categorías, fechas u otros criterios.

    Data Analysis

    Detector de desbalance y remuestreo

    Detecta desbalance de clases en datasets CSV o JSON, compara estrategias y previsualiza una salida balanceada

    Data Analysis

    Divisor train/test con estratificación

    Lee un dataset CSV/JSON y divide en train/validation/test con muestreo estratificado por la columna objetivo (70/15/15 por defecto, semilla reproducible), o valida con k-fold estratificado; incluye informe de distribución de clases por split con barras de desviación, comprobación de fugas por filas duplicadas, vista previa de SMOTE (interpolación de vecinos sobre el split de train) y exportación de los CSV en ZIP.

    Data Processing

    Validador CSV

    Valida la estructura CSV, detecta filas malformadas, comillas desbalanceadas y columnas inconsistentes

    Utilities

    Verificador de Hash de Archivo

    Calcula valores hash MD5/SHA1/SHA256 para archivos y verifica contra hashes esperados