Saltar al contenido
hg.Héctor GarridoCiencia de datos · Estadística · Ingeniería de datos

Diario técnico

Blog

Escribo sobre ciencia de datos aplicada, patrones de programación y aprendizajes construyendo productos analíticos.

Random Forest + Raking: Cómo Estimar Datos Faltantes Respetando Totales Conocidos

¿Cómo lidiar con los datos censurados por confidencialidad en las estadísticas públicas? El SII de Chile utiliza asteriscos para proteger la privacidad en comunas con pocas empresas, rompiendo la coherencia jerárquica de los datos. En este post, exploramos cómo el proyecto manageDW resuelve este problema combinando la potencia predictiva de Random Forest con el rigor matemático del Iterative Proportional Fitting (IPF). Descubre cómo este algoritmo de 80 años de historia permite imputar valores faltantes asegurando que las sumas de las comunas coincidan exactamente con los totales provinciales y regionales.

Data Warehouse SII

ETL desde ODEPA: domesticando la API CKAN

La base pública de precios hortofrutícolas de la Oficina de Estudios y Políticas Agrarias expone millones de registros a través de CKAN, pero descargarlos íntegramente exige lidiar con paginación estricta, cambios silenciosos en el esquema y unidades de venta inconsistentes. Este post muestra cómo construir un loader robusto con reintentos y caching, normalizar presentaciones heterogéneas a $/kg y transformar los datos crudos en un star schema analítico en PostgreSQL listo para consulta masiva.

Tesis: Asimetrías de Precios