Grado en Ciencia e Ingeniería de Datos · Universidad de Las Palmas de Gran Canaria · Luis Álvarez
Antes de nada: configura la Google Sheet de seguimiento del tiempo dedicado al proyecto. Descarga la plantilla de seguimiento, haz una copia en tu Google Drive y compártela en modo lectura pública. Es obligatorio y solo se tarda 5 minutos — el detalle completo está en el Paso 0 de la guía de trabajo.
Para trabajar necesitas los ficheros en tu ordenador:
descargar todo en un ZIP
(~50 MB) o clonar el repositorio con
git clone https://github.com/lalvarezmat/AEDV-proyecto-personal.git.
aedv_incluir_dataset(), que incorpora los datasets a la memoria; se necesita junto al Rmd, no se modificascp y ssh desde la consolaGuía para la elección del tema y de los datos — criterios AEDV que deben cumplir los datasets del proyecto.
Las cuatro fuentes con API —INE, ISTAC, Eurostat y Banco Mundial— se abordan exactamente igual: la misma cadena de cuatro etapas, con los mismos dos documentos y los mismos tipos de fichero. Cambia el organismo y el nombre de los ficheros, no el procedimiento. La idea es ir de los miles de datasets que publica un organismo a unos pocos que acaban en la memoria del proyecto, estrechando el embudo en cada etapa:
ETAPA 1 catálogo (inventario) de todos los datasets, que se guarda en la hoja excel <FUENTE>.datasets.xlsx (ya está hecho)
▼
ETAPA 2 buscas en ese Excel, con ayuda de una IA, los datasets de tu tema
▼
ETAPA 3 descarga y valida los que has elegido usando <FUENTE>_DatasetSelection.Rmd
▼
ETAPA 4 copias a tu memoria de proyecto personal los ficheros que ha guardado y su análisis
| Etapa | Con qué se hace y qué produce | ¿La ejecuta el alumno? |
|---|---|---|
| 1. Inventario (ya hecho) — recorrer la API del organismo y anotar la ficha básica de todos sus datasets | <FUENTE>_TableDatasetGeneration.Rmd → el catálogo <FUENTE>.datasets.xlsx, una fila por dataset | No |
| 2. Búsqueda del tema — localizar en el catálogo los datasets de un tema de interés | el .xlsx del catálogo y una IA → una lista de identificadores candidatos | Sí |
| 3. Descarga y validación — descargar esos datasets y comprobar si cumplen los requisitos AEDV | <FUENTE>_DatasetSelection.Rmd → <nombre>.rds (datos), <nombre>_metadatos.xlsx (ficha) y <nombre>_analisis.Rmd (el análisis de validación, preparado para la memoria) | Sí |
| 4. Incorporación — llevar los datos y el análisis a la memoria | los ficheros de la etapa 3 y aedv_incluir_dataset() → la sección Comprensión de los datos de la memoria | Sí |
Dos detalles explican por qué el flujo está partido justo así:
.rds y el _metadatos.xlsx (3a) y después analiza leyendo esos ficheros (3b).
De ahí que ese análisis, que se guarda en <nombre>_analisis.Rmd, se pueda incluir tal cual en la memoria con aedv_incluir_dataset(), y que el
proyecto deje de depender de que el organismo mantenga el dataset disponible.EDGAR, los dos CLIMA e INFORME PISA son datasets únicos ya construidos: no tienen etapas 1 y 2 (no hay catálogo en el que buscar), pero conservan la misma estructura 3a/3b, así que la incorporación a la memoria se hace igual.
No hace falta que ejecutes los TableDatasetGeneration. Los catálogos ya están
generados y publicados aquí como .xlsx. Volver a ejecutarlos solo sirve para detectar
datasets nuevos que la fuente haya publicado desde la última generación.
Trabajar con el catálogo publicado no significa trabajar con datos viejos: la fase de
selección descarga siempre la versión actualizada del dataset directamente de la fuente
(read.px() en el INE, get_eurostat() en Eurostat, wb_data() en el
Banco Mundial, istacr en el ISTAC). Del catálogo solo se toma la ficha de metadatos del dataset,
no sus datos.
Importa porque son procesos largos: recorren la API dataset a dataset y descargan cada uno para deducir su frecuencia temporal y el número de periodos.
| Fuente | Datasets recorridos | Duración aproximada |
|---|---|---|
| ISTAC | 400 | ~15 minutos |
| Eurostat | 3.050 | ~2 horas (estimada) |
| INE | 5.507 | ~2 h 40 min |
| Banco Mundial | 16.643 | ~13 horas |
Tiempos medidos en agosto de 2026 sobre una conexión doméstica; dependen sobre todo de la velocidad de respuesta de cada API. Una interrupción de red a mitad obliga a repetir el recorrido.
Los documentos de EDGAR y de los dos CLIMA son un caso distinto: no
recorren una API, sino que descargan los ficheros de origen (en CLIMA, unos 10 GB de NetCDF de AdapteCCa) y
construyen los .rds. Tampoco hay que ejecutarlos: los .rds ya están incluidos aquí,
y esas colecciones no se actualizan todos los años.