Extracción de datos

Hands on!

Por Marcos Vanetta / @malev

Quién soy?

Marcos Vanetta
Hacks/Hackers Buenos Aires
Knight/Mozilla Fellow
The Texas Tribune
@malev

Qué es un dato?

Información concreta sobre hechos, elementos, etc., que permite estudiarlos, analizarlos o conocerlos
En informática, información que se suministra al ordenador y que este almacena de forma legible.
Representación simbólica (numérica, alfabética, algorítmica, espacial, etc) de un atributo o variable cuantitativa o cualitativa.
Un valor que se le añade a algo.

Para qué queremos datos?

Para contar una historia

Responder una pregunta

Explorarlos

Tipos de datos

Cualitativos
Cuantitativos
Categóricos
Discretos
Continuos

Datos estructurados o desestructurados

Dónde encontramos los datos?

Portales/Catálogos de datos

Gobiernos
Universidades
Institutos de investigación
ONGs
Privados (empresas)
Organizaciones periodísticas

Los pedimos

Usamos el teléfono
FOIA

Los generamos

Encuestas
Sensores
...

Cómo pueden venir los datos

Planilla de cálculo (CSV, Excell, ODS)
JSON, XML, HTML
Una base de datos
PDF, Word
Quién sabe?

(╯°□°)╯︵ ┻━┻

Manos a la obra

Algunos portales

Datos en portales

Identificar

Contenido
Fuente
Formato del dataset
Tipos de datos en el dataset
Rango de datos

Datos en la WEB (scraping)

https://www.kimonolabs.com
http://www.diputados.gov.ar/diputados/listadip.html

Datos en la WEB (fusion tables)

http://www.clarin.com/edicion-impresa/Cruce-importadores-Central_0_1218478144.html

Datos en PDFs

Texto
Tablas
Datos en imágenes

Extraer text/entidades de un PDF

Extraer datos de una tabla en un PDf

Tabula

Dónde los almacenamos?

CSV
Base de datos

Muchas gracias