El panorama de la validación de datos en 2025

• Explicación de las principales herramientas de validación de datos en el momento actual (2025) y recomendaciones según el caso
• La validación de datos es el proceso de verificar automática o semiautomáticamente la calidad de los datos
  • Verificación de tipos de datos, conteo de valores faltantes, detección de valores anómalos
• Es posible validar no solo filas de dataframes, sino también valores de entrada de APIs o envíos de formularios
• El usuario puede definir reglas como que los valores de una columna específica deben estar dentro de cierto rango
• Si la validación falla: se puede generar un error o crear un reporte de validación para procesarlo manual o automáticamente

Por qué es importante la validación de datos

• El trabajo de análisis en organismos públicos se divide en dos tipos:
  • Análisis ad hoc – trabajo de análisis de una sola vez
  • Generación periódica de estadísticas – recopilación y procesamiento regular de nuevos datos
• Es necesario validar los datos antes de que los errores afecten los resultados del análisis
• La validación de datos es efectiva para reducir el riesgo de errores y aumentar la precisión

Principales herramientas de validación de datos

1. Great Expectations

• Potente herramienta de validación de datos de nivel production-grade

• Tiene un paquete de código abierto y también ofrece un servicio cloud de pago

• Ofrece funciones avanzadas:

  • Permite automatizaciones como enviar mensajes a Slack cuando falla la validación

• La configuración es compleja y a menudo requiere conocimientos de ciencia de datos

• Código de ejemplo:

  import great_expectations as gx  
  import pandas as pd  
  
  context = gx.get_context()  
  df = pd.read_csv("https://raw.githubusercontent.com/great-expectations/gx_tutorials/…;)  
  
  data_source = context.data_sources.add_pandas("pandas")  
  data_asset = data_source.add_dataframe_asset(name="pd dataframe asset")  
  batch_definition = data_asset.add_batch_definition_whole_dataframe("batch definition")  
  batch = batch_definition.get_batch(batch_parameters={"dataframe": df})  
  
  # Validar que el valor esté entre 1 y 6  
  expectation = gx.expectations.ExpectColumnValuesToBeBetween(column="passenger_count", min_value=1, max_value=6)  
  validation_result = batch.validate(expectation)  
  

  Ejemplo de configuración de alerta en Slack cuando falla la validación:

  from gx.actions import SlackNotificationAction, UpdateDataDocsAction  
  
  action_list = [  
      SlackNotificationAction(  
          name="send_slack_notification_on_failed_expectations",  
          slack_token="${validation_notification_slack_webhook}",  
          slack_channel="${validation_notification_slack_channel}",  
          notify_on="failure",  
          show_failed_expectations=True,  
      ),  
      UpdateDataDocsAction(name="update_all_data_docs"),  
  ]  
  

2. Pointblank

• La herramienta más reciente de validación de datos en Python, lanzada en 2024 (creada por RStudio → Posit)
• Está influida por Great Expectations y ofrece una sintaxis intuitiva
• Soporta múltiples fuentes de datos como Polars, Pandas y DuckDB
• Código de ejemplo:

  import pointblank as pb  
  
  validation = (  
      pb.Validate(data=pb.load_dataset(dataset="small_table"))  
      .col_vals_gt(columns="d", value=100)  
      .col_vals_le(columns="c", value=5)  
      .col_exists(columns=["date", "date_time"])  
      .interrogate()  
  )  
  

• Carece de funciones de automatización para acciones posteriores → las acciones posteriores deben manejarse manualmente

3. Pandera

• Ofrece una API similar a Great Expectations

• Soporta funciones de pruebas de hipótesis estadísticas

• Soporta múltiples fuentes de datos como Polars, Geopandas y Pyspark

• Código de ejemplo:

  import pandas as pd  
  import pandera as pa  
  
  df = pd.DataFrame({  
      "column1": [1, 4, 0, 10, 9],  
      "column2": [-1.3, -1.4, -2.9, -10.1, -20.4],  
      "column3": ["value_1", "value_2", "value_3", "value_2", "value_1"],  
  })  
  
  schema = pa.DataFrameSchema({  
      "column1": pa.Column(int, checks=pa.Check.le(10)),  
      "column2": pa.Column(float, checks=pa.Check.lt(-1.2)),  
      "column3": pa.Column(str, checks=[  
          pa.Check.str_startswith("value_"),  
          pa.Check(lambda s: s.str.split("_", expand=True).shape[1] == 2)  
      ]),  
  })  
  
  validated_df = schema(df)  
  

• Ejemplo de prueba de hipótesis estadística:

  from scipy import stats  
  
  schema = pa.DataFrameSchema({  
      "height_in_feet": pa.Column(float, [  
          pa.Hypothesis.two_sample_ttest(  
              sample1="M",  
              sample2="F",  
              groupby="sex",  
              relationship="greater_than",  
              alpha=0.05,  
              equal_var=True  
          )  
      ]),  
      "sex": pa.Column(str)  
  })  
  
  schema.validate(df)  
  

4. Pydantic

• Herramienta de validación basada en diccionarios, no en dataframes
• Adecuada para validar JSON y datos no estructurados
• Se puede integrar con frameworks de API como FastAPI
• Código de ejemplo:

  from pydantic import BaseModel, PositiveInt  
  from datetime import datetime  
  
  class User(BaseModel):  
      id: int  
      name: str = 'John Doe'  
      signup_ts: datetime | None  
      tastes: dict[str, PositiveInt]  
  
  external_data = {  
      'id': 123,  
      'signup_ts': '2019-06-01 12:22',  
      'tastes': {'wine': 9, 'cheese': 7, 'cabbage': '1'}  
  }  
  
  user = User(**external_data)  
  

5. Cerberus

• Herramienta de validación basada en diccionarios
• Configuración simple basada en reglas
• Devuelve valores True/False → no lanza errores
• Código de ejemplo:

  from cerberus import Validator  
  
  schema = {'name': {'type': 'string'}}  
  v = Validator(schema)  
  document = {'name': 'john doe'}  
  v.validate(document)  
  # True  
  

6. jsonschema

• Herramienta de validación de datos JSON
• Definición basada en esquemas
• Código de ejemplo:

  from jsonschema import validate  
  
  schema = {  
      "type": "object",  
      "properties": {  
          "price": {"type": "number"},  
          "name": {"type": "string"}  
      }  
  }  
  
  validate(instance={"name": "Eggs", "price": 34.99}, schema=schema)  
  

Qué herramienta usar en el sector público

• Validación de dataframes o bases de datos:
  • Uso en sistemas de producción → se recomienda Great Expectations
  • Validación simple → se recomienda Pandera
  • Probar una herramienta nueva → se recomienda Pointblank
• Validación de APIs o entradas de usuario:
  • Datos no estructurados → se recomienda Pydantic
• Validación simple de JSON:
  • Se recomienda jsonschema
• Si se necesita una validación sencilla:
  • Se recomienda Cerberus