Procesamiento y Limpieza de Datos: Kiva Crowdfunding 🌍💸

Este proyecto aplica las mejores prácticas de limpieza y preparación de datos sobre el dataset de Kiva Crowdfunding. El objetivo principal es transformar datos brutos en un conjunto estructurado y consistente, listo para análisis estadístico y modelado.

📝 Descripción del Proyecto

A través de un flujo de trabajo reproducible en Python (Jupyter Notebook), se han diagnosticado y corregido inconsistencias en más de 670,000 registros de préstamos. El proyecto abarca desde la normalización de tipos de datos hasta el análisis de la brecha de financiación.

🎯 Objetivos

• Exploración: Entender la calidad raw del dataset.
• Limpieza: Corregir formatos de fecha, normalizar textos y gestionar valores nulos de forma documentada.
• Análisis: Extraer conclusiones clave sobre el comportamiento de los microcréditos.
• Reproducibilidad: Garantizar que el proceso sea ejecutable de principio a fin.

🛠️ Tecnologías y Librerías

• Entorno: VS Code / Jupyter Notebooks.
• Lenguaje: Python 3.x.
• Librerías clave:
  • pandas: Manipulación y limpieza de datos.
  • numpy: Operaciones numéricas.

📂 Pasos Ejecutados

1. Importación y Diagnóstico: Carga de datos y revisión de tipos (info(), describe()).
2. Tratamiento de Fechas: Conversión de columnas de tiempo (posted_time, funded_time, etc.) a formato datetime y extracción de componentes temporales.
3. Gestión de Nulos:
   • Eliminación de la columna tags (25% de nulos).
   • Imputación de nulos en texto por "No especificado".
   • Imputación de nulos numéricos mediante la mediana.
   • Eliminación estratégica de filas con nulos críticos (0.36% en disbursed_time).
4. Normalización:
   • Limpieza de espacios en blanco y capitalización de textos.
   • Eliminación de columnas redundantes (id, partner_id, country_code).
   • Redondeo de montos financieros a dos decimales y conversión de conteos a enteros.