Checklist de Limpeza de Dados

Corre esta checklist em qualquer conjunto de dados novo, antes de tirares qualquer conclusão. A maioria dos erros de análise nasce aqui, não na parte estatística.

Duplicados

• Verifiquei se existem linhas exatamente repetidas
• Verifiquei se existem duplicados "quase iguais" (ex: o mesmo cliente escrito de duas formas diferentes)
• Sei quantas linhas tinha antes e depois de remover duplicados

Valores em falta

• Sei quantos valores em falta existem, e em que colunas
• Decidi, para cada coluna com valores em falta, se vou remover a linha, preencher com um valor por defeito, ou deixar em falta — e sei explicar porquê
• Não substituí valores em falta por zero sem confirmar que isso faz sentido (zero pode significar algo diferente de "não sei")

Tipos e formatos

• Confirmei que colunas numéricas estão mesmo guardadas como números, não como texto
• Confirmei que datas estão num formato consistente (não misturar dd/mm/aaaa com mm/dd/aaaa na mesma coluna)
• Verifiquei se há espaços extra ou maiúsculas/minúsculas inconsistentes em colunas de texto usadas para agrupar (ex: "Lisboa" vs "lisboa ")

Valores extremos

• Identifiquei os valores mais altos e mais baixos de cada coluna numérica importante
• Para cada valor extremo, decidi se é um erro (ex: idade de 999) ou um caso real só invulgar
• Não removi valores extremos automaticamente sem olhar para eles primeiro

Dados limpos não são dados perfeitos — são dados cujas imperfeições já conheces e já decidiste como tratar.

Regista sempre as decisões desta checklist junto com a análise final — se alguém perguntar porque um número não bate certo com outra fonte, a resposta está aqui.