{"id":130905,"date":"2026-01-28T11:26:58","date_gmt":"2026-01-28T10:26:58","guid":{"rendered":"https:\/\/multi.liora.io\/?p=130905"},"modified":"2026-08-24T18:40:39","modified_gmt":"2026-08-24T17:40:39","slug":"hola-daniel-que-es-la-normalizacion-de-datos","status":"publish","type":"post","link":"https:\/\/liora.io\/es\/hola-daniel-que-es-la-normalizacion-de-datos","title":{"rendered":"Hola, Daniel, \u00bfqu\u00e9 es la normalizaci\u00f3n de datos?"},"content":{"rendered":"\n

Daniel es el soporte t\u00e9cnico de los cursos de Liora. Es el experto en todos los temas de Data Science y acompa\u00f1a a los alumnos durante su formaci\u00f3n. Hoy, logramos quitarle unos minutos de su precioso tiempo para que pueda responder nuestras preguntas sobre la estandarizaci\u00f3n de datos.<\/strong><\/p>\n\n\n

\"Normalisation<\/figure>\n\n\n

Yo : Hola, Daniel, s\u00e9 que te han debido de hacer esta pregunta muchas veces, pero veo que se habla constantemente de la estandarizaci\u00f3n de datos, \u00bfpuedes ayudarme a entender el concepto en pocas palabras?<\/p>\n\n\n

Aprender a estandarizar datos<\/a><\/div><\/div>\n\n\n

Y matem\u00e1ticamente \u00bfc\u00f3mo es?<\/h2>\n\n\n

Si cogemos una variable num\u00e9rica con n observaciones que se puede escribir :<\/p>\n\n\n

\"Normalisation<\/figure>\n\n\n

Como tenemos un n\u00famero finito de valores reales, podemos extraer varias informaciones estad\u00edsticas como el m\u00ednimo<\/strong>, el m\u00e1ximo<\/strong>, la media y la desviaci\u00f3n tipo<\/strong>.<\/p>\n\n\n

El proceso de normalizaci\u00f3n solo necesita el m\u00ednimo y el m\u00e1ximo.<\/p>\n\n\n

La idea es la siguiente, llevamos todos los valores de la variable entre 0 y 1, y mantenemos las distancias entre los valores.<\/em><\/p>\n\n\n

Se hace muy f\u00e1cil, hay que aplicar la siguiente f\u00f3rmula :<\/p>\n\n\n

Daniel <\/strong>: Pues efectivamente, la estandarizaci\u00f3n, tal como la entendemos en el sector, es un concepto clave en el preprocesamiento de datos cuando tenemos que trabajar en un proyecto de Machine Learning.<\/p>\n\n\n

En realidad, cuando hablamos de estandarizaci\u00f3n, hay dos procesos principales impl\u00edcitos: la normalizaci\u00f3n y la normalizaci\u00f3n est\u00e1ndar, m\u00e1s com\u00fanmente conocida como estandarizaci\u00f3n. Por lo general, estos dos procesos tienen la misma finalidad: redimensionar las variables num\u00e9ricas para que sean comparables en una escala com\u00fan.<\/p>\n\n\n

\"Normalisation<\/figure>\n\n\n

En cuanto a la estandarizaci\u00f3n , la transformaci\u00f3n es m\u00e1s sutil que llevar el conjunto de valores entre 0 y 1. Su finalidad es llevar la media \u03bc a 0 y la desviaci\u00f3n est\u00e1ndar \u03c3 a 1 .<\/em><\/p>\n\n\n

Una vez m\u00e1s, el proceso no es nada complicamos si tenemos disponible la media \u03bc y la desviaci\u00f3n est\u00e1ndar \u03c3 de una variable determinada X = x1<\/sub> x2<\/sub> xn<\/sub> entonces la variable estandarizada se escribir\u00e1:<\/p>\n\n\n

\"Normalisation<\/figure>\n\n\n

Todo esto es genial, pero en el sector de los data, \u00bfpara qu\u00e9 sirve?<\/h2>\n\n\n

En Data, a menudo tenemos que trabajar con datos digitales, y estos datos rara vez se pueden comparar en su estado bruto<\/strong>.<\/p>\n\n\n

Trabajar con datos de escala variable puede suponer un problema para su an\u00e1lisis, ya que una variable num\u00e9rica con un rango de valores incluido entre 0 y 10 000 ser\u00e1 m\u00e1s pesada en el an\u00e1lisis que una variable cuyos valores est\u00e9n entre 0 y 1, lo que causar\u00eda en consecuencia un problema de sesgo<\/em><\/p>\n\n\n

Sin embargo, hay que tener cuidado de no considerar la estandarizaci\u00f3n como un paso obligatorio en el procesamiento de nuestros datos, \u00a1constituye una p\u00e9rdida inmediata de informaci\u00f3n y puede ser perjudicial en ciertos casos!<\/p>\n\n\n

Inicia tu recorrido en Machine Learning Engineer<\/a><\/div><\/div>\n\n\n

Ahora lo entiendo mejor, pero hay una pregunta que sigue sin respuesta, \u00bfc\u00f3mo se estandarizan concretamente los datos?<\/h2>\n\n\n

En Python<\/a> es muy sencillo, muchas bibliotecas lo permiten. Solo mencionar\u00e9 Scikit-learn porque es la m\u00e1s utilizada en Data Science<\/a>. Esta biblioteca proporciona funciones que realizan las normalizaciones deseadas en unas pocas l\u00edneas de c\u00f3digo muy simples.<\/p>\n\n\n

Sin embargo, es importante poner los casos de uso en contexto, porque en la pr\u00e1ctica no basta con aplicar una normalizaci\u00f3n sin m\u00e1s a todos los datos que nos llegan cuando ya hemos normalizado nuestros datos de entrenamiento.<\/p>\n\n\n

\u00bfPor qu\u00e9? Por la sencilla raz\u00f3n de que no es posible aplicar esta misma transformaci\u00f3n a una muestra de prueba o a nuevos datos.<\/p>\n\n\n

Por supuesto, es posible centrar y reducir cualquier muestra de la misma manera, pero con una media y una desviaci\u00f3n tipo que ser\u00e1n diferentes a las usadas en el conjunto de entrenamiento.<\/p>\n\n\n

Los resultados obtenidos no ser\u00edan una representaci\u00f3n justa del rendimiento del modelo en su conjunto, ya que se aplica a datos nuevos.<\/p>\n\n\n

Entonces, en vez de aplicar directamente la funci\u00f3n de normalizaci\u00f3n, es mejor usar una funci\u00f3n de Scikit-Learn llamada Transformer API<\/a>, que permite ajustar (fit) un paso de preprocesamiento utilizando los datos de entrenamiento.<\/p>\n\n\n

De ese modo, cuando la normalizaci\u00f3n, por ejemplo, se aplica a otras muestras, utilizar\u00e1 las mismas medias y desviaciones tipo ya guardadas.<\/p>\n\n\n

Para crear ese paso de preprocesamiento \u201cajustado\u201d, basta con usar la funci\u00f3n StandardScaler y luego ajustarla usando los datos de entrenamiento. Finalmente, para aplicarlo a una tabla de datos despu\u00e9s, solo habr\u00e1 que aplicarle scaler.transform().<\/p>\n\n\n

Ser\u00eda igual para una normalizaci\u00f3n MinMax :<\/p>\n\n\n

\u00a1Genial, gracias Daniel!<\/p>\n\n\n

Si queremos formarnos en Data Science con tus consejos, \u00bfc\u00f3mo lo hacemos?<\/h2>\n\n\n

Es muy f\u00e1cil, solo tienes que empezar uno de nuestros cursos en Data Science <\/a> ?. Si quieres descubrir la contribuci\u00f3n de Daniel a lo largo de uno de nuestros cursos, descubre la entrevista a dos de nuestros antiguos alumnos:<\/p>\n\n\n

Descubrir las pr\u00f3ximas fechas<\/a><\/div><\/div>\n","protected":false},"excerpt":{"rendered":"

Daniel es el soporte t\u00e9cnico de los cursos de Liora. Es el experto en todos los temas de Data Science y acompa\u00f1a a los alumnos durante su formaci\u00f3n. Hoy, logramos quitarle unos minutos de su precioso tiempo para que pueda responder nuestras preguntas sobre la estandarizaci\u00f3n de datos.<\/p>\n","protected":false},"author":85,"featured_media":30548,"comment_status":"open","ping_status":"open","sticky":false,"template":"elementor_theme","format":"standard","meta":{"_acf_changed":false,"editor_notices":[],"footnotes":""},"categories":[2440],"class_list":["post-130905","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-ia"],"acf":[],"_links":{"self":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/130905","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/users\/85"}],"replies":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/comments?post=130905"}],"version-history":[{"count":4,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/130905\/revisions"}],"predecessor-version":[{"id":185404,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/posts\/130905\/revisions\/185404"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/media\/30548"}],"wp:attachment":[{"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/media?parent=130905"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/liora.io\/es\/wp-json\/wp\/v2\/categories?post=130905"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}