Un skill de limpieza de datos que escribe el script, no solo la respuesta

Limpiar datos dentro de una ventana de chat se siente productivo, pero es una trampa. Pegas un CSV, el asistente arregla las fechas, elimina los duplicados y te devuelve una tabla limpia. Un mes después llega el export otra vez, un poco distinto, y nada de ese trabajo quedó en ningún lado donde puedas volver a ejecutarlo. Un skill de limpieza de datos resuelve el problema de fondo: en vez de producir una tabla limpia, produce el código que produce una tabla limpia, más un perfil que explica qué estaba mal desde el principio. Al terminar vas a saber exactamente cuándo debe activarse el skill, cómo funciona por dentro y la única salvaguarda que separa un skill útil de una máquina silenciosa de corromper datos.

El skill es la diferencia entre "te limpié los datos" y "aquí está el script que limpia estos datos, siempre, y que puedes leer, versionar y volver a ejecutar". Lo primero es un favor. Lo segundo es un activo.

01 · Qué hace el skill en realidad

Un skill de limpieza de datos es una capacidad empaquetada que le das a Claude Code: una descripción corta, un conjunto de instrucciones y un contrato para su salida. Cuando se activa, toma un archivo tabular crudo y devuelve dos cosas, un perfil de los datos y un script de limpieza, y nada más. No te entrega una tabla transformada pegada en el chat. El entregable es código reproducible.

El perfil es el diagnóstico. Reporta el conteo de filas y columnas, los tipos inferidos por columna, la tasa de nulos por columna, cuántas filas están completamente duplicadas y una muestra de los valores raros que no cuadran (un texto en una columna numérica, una fecha en tres formatos distintos, una celda vacía que en realidad contiene el texto literal "NA"). El script de limpieza es la receta: una regla por problema, cada una escrita para que un humano la lea en un diff y diga "sí, elimina esas" o "no, eso está mal".

La palabra clave es reproducible. Una transformación hecha una sola vez en el chat se pierde apenas la conversación avanza. Un script vive en el repo, corre en CI o en un cron, y convierte "limpiar los datos" de una tarea recurrente en un pipeline que ya existe.

02 · Cuándo debe activarse

El disparador es amplio a propósito: cualquier archivo tabular nuevo que entra al proyecto. Un CSV que alguien dejó en una carpeta, un export de Supabase, una tabla scrapeada, una hoja de cálculo que te mandó un cliente por correo. Si tiene filas y columnas y todavía no confías en él, el skill debe activarse.

Una buena descripción del skill hace que ese disparo sea confiable. Esta es la forma que uso; la descripción es lo que Claude Code lee para decidir si este skill aplica:

---
name: data-cleaning
description: >
  Profile and clean a raw tabular dataset (CSV, TSV, Excel export,
  scraped table). Use whenever a new or untrusted data file enters
  the project and needs profiling, deduping, type-fixing, or
  null-handling BEFORE analysis. Produces a profile + a reproducible
  cleaning script, never a one-off transform.
---

When invoked:
1. Profile FIRST. Do not transform anything yet.
2. Show the profile, then propose rules as code, one per problem.
3. Every destructive rule must print how many rows it drops/changes.
4. If a rule drops more than ~5% of rows, STOP and ask the user.

La descripción es la que hace el trabajo de verdad. Fíjate en lo que incluye: los tipos de archivo, los verbos (analizar, deduplicar, arreglar tipos, manejar nulos), la palabra que marca el momento, BEFORE analysis, y lo que produce. Una descripción vaga como "limpia datos" o nunca se activa o se activa con todo. Sé específico con el cuándo.

03 · Cómo funciona por dentro

El skill corre en dos fases estrictas. La fase uno analiza y no toca los datos. Este orden es la clave de todo el diseño: no puedes proponer una regla de limpieza sensata hasta que viste la forma del desorden, y un agente que transforma primero va a "arreglar" con toda confianza una columna que nunca entendió.

Fase uno: analiza, no transformes

import pandas as pd

df = pd.read_csv("raw_export.csv", dtype=str)  # léelo como texto; infiere después

print("rows, cols:", df.shape)
print("\nnull rate per column:")
print(df.isna().mean().sort_values(ascending=False))
print("\nfully duplicate rows:", df.duplicated().sum())

# saca a la luz los valores raros antes de decidir nada
for col in df.columns:
    sample = df[col].dropna().unique()[:8]
    print(col, "->", sample)

Leer todo como texto primero es deliberado. Si dejas que pandas infiera los tipos al cargar, hace coerción en silencio y pierdes la evidencia, que es justo lo que el perfil debería revelar. Los tipos los decides después de mirar.

Fase dos: propón reglas como código

Solo después del perfil el skill escribe reglas de limpieza. Cada una es pequeña, lleva el nombre del problema que resuelve y, esto es lo crítico, reporta su impacto.

before = len(df)

# 1. duplicados exactos
df = df.drop_duplicates()
print(f"deduped: {before - len(df)} rows removed")

# 2. arregla la columna de dinero: quita comas, convierte a float
df["amount"] = (
    df["amount"].str.replace(",", "", regex=False).astype("float64")
)

# 3. id es requerido: registra cuántas filas no tienen id antes de botarlas
missing_id = df["id"].isna().sum()
print(f"rows with no id (will drop): {missing_id}")
df = df.dropna(subset=["id"])

Tres cosas hacen que esto sea un activo y no un truco de magia. Se lee de arriba abajo como un checklist. Cada paso destructivo imprime un conteo, así el diff queda auditable. Y vive en un archivo al que le haces commit, así el export del mes que viene pasa por exactamente el mismo pipeline, y si el archivo nuevo rompe una regla, te enteras al ejecutarlo, no en un reporte tres semanas después.

04 · Una invocación concreta

Digamos que un proveedor te manda payments_may.csv por correo. Lo dejas en el proyecto y le pides a Claude Code que lo limpie. El skill se activa y la primera respuesta es un perfil, no un resultado:

PROFILE: payments_may.csv
rows, cols: (4,812, 6)

null rate per column:
  notes      0.71
  amount     0.04
  id         0.02
  date       0.00

fully duplicate rows: 38

weird values:
  amount -> ['1,250.00', '980', '', '3,400.50', 'N/A']
  date   -> ['2026-05-01', '05/02/2026', '2026-05-03']

Proposed rules (review before I run them):
  1. drop 38 exact duplicates
  2. amount: strip commas, treat 'N/A' and '' as null, coerce to float
  3. date: normalize mixed formats to ISO (YYYY-MM-DD)
  4. id: required. would drop ~96 rows (2%). OK to proceed?

Lo lees y dices "sí, pero las filas sin id guárdalas en un archivo de cuarentena aparte en vez de eliminarlas", y el skill ajusta el script. La salida es clean_payments.py más un resumen de una línea de lo que hizo cada regla. La ejecutas con el archivo de junio el mes que viene y simplemente funciona, o se detiene en una regla que ya no se cumple, que es exactamente la señal que quieres.

05 · Configuración y trampas

El skill tiene un par de parámetros que vale la pena fijar explícitamente en vez de dejarlos al azar:

• El umbral de descarte. El default "detente y pregunta si una regla elimina más de ~5%" es solo un punto de partida. Para una tabla scrapeada y ruidosa, 5% es normal y vas a quererlo más alto; para un export financiero, cualquier descarte sin explicar debería frenar el proceso. Ajústalo por proyecto.
• Cuarentena en vez de borrar. Para datos importantes, mejor escribe las filas descartadas en un archivo aparte en lugar de borrarlas. "Eliminamos 96 filas" está bien; "aquí están las 96 filas que eliminamos, échales un ojo" está mejor.
• La inferencia de tipos viene apagada. Lee como texto y decide los tipos de forma deliberada. La inferencia automática es donde las fechas se vuelven strings, los ceros a la izquierda desaparecen de los códigos postales y los IDs se redondean a floats.

Una última concesión honesta: este skill es más lento que arreglar la tabla a mano en el chat. Analizar primero, narrar cada descarte y escribir un script al que le puedas hacer commit cuesta más turnos al inicio. Para un archivo desechable de cinco filas, eso es exagerado: límpialo a mano. El skill vale la pena con datos que se repiten o sobre los que alguien va a tomar una decisión. Si no es ninguno de los dos, no lo necesitas.

Un skill de limpieza de datos es algo pequeño que te cambia un hábito: te frena de hacer trabajo invisible en una ventana de chat y te pone a construir un pipeline que puedes leer, versionar y en el que confiar. El perfil te mantiene honesto sobre qué estaba mal de verdad, y la salvaguarda del conteo de filas te mantiene honesto sobre qué descartaste. Constrúyelo una vez, apúntalo al próximo export desordenado, y la limpieza deja de ser una tarea y se vuelve código.