Tengo un atajo claro que aplico cuando necesito preparar una serie temporal con rapidez y sin perder calidad.
Primero ordeno y completo timestamps y ajusto la frecuencia global para que todo quede comparable. Hago un gráfico general para detectar estacionalidad y rupturas, luego relleno huecos pequeños con interpolación y marco los outliers con flags en lugar de borrarlos por completo. Aplico una transformación si veo varianza no constante (log o Box–Cox) y, si detecto tendencia fuerte, pruebo diferenciados.
Para features creo retardos básicos (t-1, t-7 si es semanal), medias móviles y variables de calendario esenciales. Siempre divido temporalmente y utilizo validación con ventanas rodantes si el tiempo lo permite. Este flujo me permite pasar rápido al modelado sin perder la trazabilidad del preprocesado; al final me quedo más seguro sabiendo que el dataset refleja bien la estructura temporal y las decisiones tomadas.
Abro siempre un gráfico rápido: la visualización es mi brújula antes de meterme en transformaciones.
Tras eso verifico la frecuencia y la consistencia de timestamps; si hay irregularidades, resampleo a la frecuencia correcta. Revisar outliers viene después — a veces los elimino, otras veces los marco con indicadores binarios porque en ciertos contextos los picos son información valiosa. Para las faltantes decido según la causa: si son pequeñas lagunas uso interpolación, si son periodos extensos prefiero imputar con modelos o usar valores basados en estacionalidad.
Luego creo features: retardos relevantes, ventanas móviles, tasa de cambio y variables de calendario (día de la semana, festivos). Normalizo o estandarizo solo cuando el modelo lo requiere. Finalmente hago una validación temporal (time-based split o rolling CV) y elijo métricas adecuadas como MAE o RMSE para evaluar. En conjunto, estos pasos reducen sorpresas cuando ya estoy en la etapa de entrenamiento y pruebas.
Me encanta meterme en datos de series temporales; hay algo casi detectivesco en desentrañar patrones escondidos entre ruido y picos.
Lo primero que hago es mirar la serie con calma: trazados de línea, histogramas y mapas de calor si hay múltiples series. Eso me ayuda a identificar estacionalidad, tendencias, rupturas y puntos atípicos. Si encuentro huecos o timestamps faltantes, priorizo rellenarlos de forma coherente (interpolación lineal o basada en la frecuencia, forward/backfill según el caso) o reajusto la frecuencia con resampling.
Después atiendo la varianza y la estacionaridad: pruebo transformaciones (log, Box–Cox) y diferenciado si la serie tiene tendencia. También descompongo la serie (STL o descomposición clásica) para separar tendencia, estacionalidad y residuo; eso facilita crear variables por estacionalidad y arreglar la estacionariedad antes del modelado. Al final preparo la partición temporal (train/validation/test respetando el orden) y dejo listas features como retardos, medias móviles y variable calendario — así ya puedo probar modelos clásicos o basados en aprendizaje automático sabiendo que los datos están lo más limpios y consistentes posible. Me deja tranquilo tener ese pipeline sólido antes de ajustar modelos.
Paso mucho tiempo en la preparación porque sé que el modelado solo rinde si los datos están bien trabajados; por eso aplico una secuencia clara.
Primero establezco el objetivo de predicción y el horizonte: saber si voy a predecir a una hora, un día o un mes condiciona la granularidad y las features. Después hago limpieza: corrijo timestamps, trato valores faltantes y detecto outliers. La transformación de la serie viene a continuación: pruebas ADF/KPSS para comprobar estacionaridad, transformaciones logarítmicas o Box–Cox si la varianza cambia con el nivel, y diferenciación si hay tendencia persistente.
Para capturar patrones uso descomposición STL y creo retardos, rezagos estacionales y medias móviles. Si hay variables externas (promociones, temperaturas), las alineo temporalmente como exógenas. La división de conjuntos la hago manteniendo el orden cronológico y empleo backtesting con ventanas avanzadas para evaluar robustez. Al final, automatizo el pipeline con transformadores reproducibles y guardo las transformaciones aplicadas: nada peor que no poder reproducir el preprocesado cuando el modelo está en producción. Me gusta cerrar con una revisión rápida de residuos antes de dar por terminado el proceso.
2026-03-05 01:10:50
10
View All Answers
Scan code to download App
Related Books
Retroceder en el Tiempo para Salvarte
Luna Vidal
10
1.5K
Después de que muriera su primer amor, Sophia Hayes me odió durante diez años.
Yo intenté recuperar su favor todos los días, pero ella solo me respondía con burlas frías.
—Si de verdad quieres hacerme feliz, ¿por qué no te mueres de una vez?
Sus palabras eran como dagas clavándose en mi corazón. Por eso, cuando murió en un charco de sangre al intentar salvarme de un camión que venía de frente, el impacto fue todavía mayor.
Con la mirada fija en mí por última vez, susurró:
—Si tan solo nunca te hubiera conocido...
Su madre estaba destrozada por el dolor en el funeral.
—Debí haber dejado que Sophia estuviera con Ethan Brooks. ¡Nunca debí obligarla a casarse contigo!
Su padre también me miró con odio en los ojos.
—Sophia te salvó la vida tres veces. Era una persona tan maravillosa... ¿Por qué no fuiste tú el que murió en su lugar?
Todos lamentaban que Sophia se hubiera casado conmigo. Yo también.
Me echaron del funeral, completamente destrozado.
Tres años después, viajé de regreso al pasado después de que se inventara una máquina del tiempo.
Esta vez, elegí cortar por completo todos mis lazos con Sophia y darles a todos la versión de la historia que de verdad deseaban.
Después de la muerte de su amada, Leandro Fuentes me odió durante diez años.
Intenté acercarme a él de todas las formas posibles, pero él solo me lanzaba una sonrisa helada.
—Si de verdad quieres agradarme... mejor muérete.
Aquella frase me atravesó el pecho como una daga. Pero el día que un camión se lanzó contra mí, fue él quien dio su vida para salvarme, muriendo en un charco de sangre.
Antes de cerrar los ojos para siempre, me miró profundamente y dijo, con voz entrecortada:
—Si tan solo... nunca te hubiera conocido.
En el funeral, la madre de Leandro, doña Eugenia, se aferraba a su retrato mientras las lágrimas le nublaban la vista.
—¡Yo debí dejarlo estar con Clarisa! ¡Nunca debí forzarlo a casarse contigo!
Su padre, don Ernesto, me fulminó con la mirada, y, con la voz cargada de rabia, añadió:
—¡Leandro te salvó tres veces! ¡Era un hombre excepcional! ¡¿Por qué no moriste tú en su lugar?!
Todos, absolutamente todos, lamentaban que él se hubiera casado conmigo. Incluso yo.
Me echaron del funeral como si fuera una ladrona de paz. Sin rumbo, como un alma errante, caminé sin saber a dónde ir.
Tres años después, un avance científico rompió las barreras del tiempo: se creó una máquina capaz de llevarnos al pasado.
Y yo... yo volví.
Esta vez, decidida a no volver a cruzarme con Leandro, a dejar que él y Clarisa estén juntos.
Esta vez, haré feliz a todos... aunque eso signifique desaparecer de sus vidas.
Mi Alfa Apostó a Que Volvería Arrastrándome en Tres Días
Finn
0
1.1K
La noche de nuestro octavo aniversario, preparé todo lo que a Ethan le gustaba.
No regresó.
Me quedé sola frente a la mesa… hasta que la comida se enfrió.
Al final, hice lo de siempre.
Abrí la red de la manada… y busqué el perfil de Selene.
Nueva publicación.
De hacía una hora.
Una foto de Ethan, sin camisa, encendiendo una fogata en su guarida.
La mano de ella apoyada en su hombro.
Su rostro vuelto hacia la cámara, con una sonrisa demasiado amplia… casi afilada.
El pie de foto decía:
"Gracias a los viejos amigos que lo dejan todo cuando los necesitas. Incluso sus aniversarios de marcaje."
Me quedé mirándolo hasta que los ojos me ardieron.
Entonces le di "me gusta".
Presenté la solicitud de disolución del vínculo.
Y empecé a empacar el baúl que llevaba meses listo.
Ethan no lo creyó cuando se enteró.
—Está haciendo un drama —lo escuché decirles a sus compañeros de manada—.
—Dénle tres días.
—Con solo mover un dedo, volverá corriendo.
—Siempre lo hace.
Lo que él no entendía era por qué siempre volvía.
Era porque lo amaba.
Pero eso ya había muerto.
En el instante en que explotó el laboratorio, Leonardo González corrió desesperado hacia la zona más alejada, donde se encontraba Victoria López, y la protegió con su cuerpo sin dudarlo.
Cuando cesó la explosión, lo primero que hizo fue cargarla en brazos al hospital.
Ni siquiera miró a la que yacía en el suelo, empapada en sangre—yo.
Porque esa chica a la que él había criado durante dieciocho años, Victoria, ya le había ocupado el corazón por completo.
Ya no había espacio para nadie más.
Fui yo quien sobrevivió gracias a unos colegas que me llevaron al hospital.
Tras salir de cuidados intensivos, con los ojos hinchados de tanto llorar, llamé a mi mentor.
—Profesor, ya lo decidí. Acepto unirme al proyecto confidencial. No importa que partamos en un mes ni que no pueda contactar a nadie durante cinco años.
Ese mes estaba destinado a ser el de mi boda soñada.
Pero ya no quiero casarme.
Ya no.
La noche que le declaré mi amor, mi novia no podía parar de llorar.
Decía algo sobre haber visto el futuro y que necesitaba que hiciéramos un pacto.
—¿Por qué? —le pregunté.
Ella respondió:
—No recuerdo bien, solo sé que en el futuro me arrepiento mucho.
—Rafael, pase lo que pase en el futuro, ¿me prometes que me darás tres oportunidades? ¿Sí?
Claro que se lo prometí.
La amaba profundamente.
Pero con el tiempo, ella pareció olvidar por completo aquella promesa.
Hasta que la vi meterse con su asistente y entonces empecé a entenderlo.
En el momento exacto en que firmé los papeles del divorcio, una voz conocida resonó en mi mente.
Era la Lorena de diecinueve años.
Lloraba, suplicando:
—Rafael, me lo prometiste que me darías tres oportunidades. ¿Verdad?
Hace media hora, mi compañero destinado finalmente se me propuso; celebraríamos una gran ceremonia de emparejamiento en medio mes.
El momento que había esperado durante diez años finalmente había llegado.
Pero justo en este momento, sucedió.
Mi Alfa estaba sosteniendo a otra mujer mientras sus dedos acariciaban su piel. Su voz era suave, casi de adoración al hablarle.
—Me arrepiento de todo. Si me quieres de vuelta, romperé el vínculo de compañeros con ella.
Él no tenía ni idea de que lo estaba observando desde fuera de la ventana; estaba tan absorto en esa mujer que ni siquiera percibió mi olor.
Justo en ese momento, lo comprendí: nuestro vínculo de compañeros, nuestros diez años juntos, pasaron por mi mente.
Envié un enlace mental a mi madre y le dije que iba a romper el vínculo de compañeros con Mike. Luego volvería a la manada Deep Blue para dirigirla por mi cuenta.
Mike nunca sabría que nuestra ceremonia de emparejamiento sería el día que me vaya.
Me encanta imaginar la predicción de series temporales como una conversación con el tiempo: yo le propongo preguntas y él me devuelve pistas en forma de patrones. En mi experiencia, la técnica clásica que más aparece es ARIMA (autoregresivo integrado de medias móviles) y sus variantes estacionales, porque captura dependencias pasadas y tendencias de manera elegante. También uso suavizado exponencial (ETS) cuando la serie tiene cambios suaves en nivel y estacionalidad; ambos enfoques son estadísticos, explicables y funcionan muy bien con datos no demasiado ruidosos.
En proyectos personales he mezclado esos métodos con enfoques más modernos: modelos basados en espacio de estados y filtros de Kalman para series con ruido irregular, y modelos basados en aprendizaje profundo como LSTM para patrones complejos y no lineales. Además, herramientas como Prophet facilitan ajustes rápidos con efectos de calendario y vacaciones.
Al final, yo elijo la técnica según el problema: si necesito interpretabilidad tiro de ARIMA o ETS; si quiero capturar interacciones complejas uso redes neuronales o modelos híbridos. Me gusta cerrar pensando que ninguna técnica es mágica, pero sí hay una adecuada para cada conversación con la serie temporal.
Me encanta imaginar una serie temporal como una película que se repite con pequeñas variaciones, y cuando quiero extraer su «trama» principal recurro a varios métodos de tendencia según lo que busco. Un enfoque muy directo es la regresión lineal (OLS): ajustas una recta a los valores en el tiempo y obtienes una tendencia global clara. Eso funciona genial si la tendencia es aproximadamente lineal y quieres una explicación simple y fácil de interpretar.
Para patrones más complejos prefiero suavizar primero con una media móvil o con LOESS (suavizado local) para capturar variaciones locales sin imponer una forma rígida. Si además hay estacionalidad evidente, uso descomposición STL para separar tendencia, estacionalidad y resto; es flexible y robusta con series no estacionarias. Para macrodatos con ciclos largos, el filtro de Hodrick–Prescott puede ser útil, y para pronósticos con tendencia incorporada suelo considerar Holt (suavizado exponencial con tendencia) o modelos basados en filtros de Kalman.
En resumen, no hay un único "mejor" método: elijo según si quiero interpretación simple, suavizado local, separar estacionalidad o generar pronósticos, y eso define mi herramienta favorita en cada caso.
Me divierte pensar en una serie española como una mina de datos esperando a ser explorada.
Empiezo por reunir fuentes: subtítulos (.srt), metadatos de plataformas, fichas de episodios en páginas como IMDb o FilmAffinity y conversaciones en Twitter e Instagram. Con eso hago limpieza (normalizar tiempos y nombres, eliminar ruido) y extraigo lo esencial: frecuencia de palabras, entidades nombradas (lugares, personajes), y sentimientos por escena con modelos en español. Para análisis más ricos aplico topic modeling para ver temas recurrentes y análisis de redes para mapear relaciones entre personajes.
Tras procesar, creo visualizaciones temporales: heatmaps de emoción por episodio, gráficos de centralidad de personajes y curvas de retención de audiencia. Estas vistas me ayudan a conectar eventos narrativos con picos de conversación o bajones en la audiencia. Por ejemplo, al analizar «La Casa de Papel» noté que ciertos giros emocionales coinciden con subidas importantes en menciones y en el sentimiento de los fans.
Me gusta cerrar con una narrativa accionable: recomendaciones para marketing, para edición de episodios o para priorizar escenas en clips promocionales. Al final siempre saco una apreciación personal sobre cómo los datos revelan capas que a simple vista no se ven y eso me emociona bastante.