Diccionarios de Datos¶

El diccionario de datos es un complemento esencial de cualquier conjunto de datos ya que aporta al usuario de los datos información suficiente para procesar y comprender su contenido sin ambigüedad.
Su propósito es garantizar que la estructura del conjunto de datos se define en términos fácilmente entendibles por los usuarios.
Cada conjunto de datos publicable debe incluir su diccionario de datos como un documento separado, accesible normalmente mediante una URL desde el punto de descarga del archivo de datos.
El contenido de un Diccionario de Datos puede ser expresado de diferentes formas, incluso como un archivo de texto que describe el contenido de cada columna del dataset.
Las características o anotaciones que se expresan en el Diccionario de Datos son las propiedades de las tablas, columnas, filas y celdas que componen el conjunto de datos.
A continuación, se expone un ejemplo de diccionario de datos expresado como un archivo de texto que puede ser suministrado a través de un servidor Web. Por ejemplo, a través de la URL: example.org/automoviles.csv-metadata.txt.

Ejemplo de diccionario de datos expresado como un archivo de texto¶

Archivo de datos: http://example.org/automoviles.csv Descripción: Tabla con datos de automóviles clásicos Publicador: Autor del ejemplo
Columna 1:
    Titulo: marca
    Descripción: Este campo contiene información sobre la marca y modelo de cada vehículo.
    Tipo de datos: string
Columna 2:
    Titulo: año
    Descripción: Este campo contiene información sobre el año de fabricación de cada vehículo.
    Tipo de datos: date 
Columna 3:
    Titulo: cilindros
    Descripción: Este campo contiene información sobre el número de
    cilindros de cada vehículo.
    Tipo de datos: integer 
Columna 4:
    Título: consumo
    Descripción: Este campo contiene información sobre el consumo medio de cada vehículo, medido en litros / 100 kms.
    Tipo de datos: decimal 
Columna 5:
    Título: potencia
    Descripción: Este campo contiene información sobre la potencia de cada vehículo, medida en CV.
    Tipo de datos: decimal
Columna 6:
1

Una buena práctica es que el Diccionario de Datos se exprese en un formato procesable, por ejemplo, JSON o JSON-LD, mediante un vocabulario estandarizado que permita definir cada una de las características o anotaciones sobre cada uno de los elementos del archivo de datos.
En algunas plataformas de Datos Abiertos, por ejemplo, las implementadas con CKAN, se especifica el Diccionario de Datos como una sección asociada a cada recurso de un dataset.
Según la Norma Técnica de Interoperabilidad de Recursos de Información (NTI), la forma de especificar el modelo de datos es utilizando la propiedad "dct:relation" en los metadatos de la distribución de los recursos del dataset.
Para ajustar los valores de las propiedades es recomendable utilizar un lenguaje claro y conciso, dado que los usuarios finales de los datos no tienen porqué estar familiarizados con los datos.
W3C recomienda un modelo para datos tabulares y propone un vocabulario para la descripción de estas propiedades.
El vocabulario de W3C es muy exhaustivo, no obstante, hay una serie de propiedades que es recomendable tener en cuenta para cualquier archivo tabular:
- Para las tablas:
  - Título de tabla ["dc:title"]
  - Descripción ["dc:description"]
  - Publicador ["dc:creator"]
  - Ubicación del archivo que se describe ["url"]
- Para las columnas:
  - Nombre de columna ["name"]
  - Título de columna ["titoli"]
  - Descripción ["dc:description"]
  - Tipos de datos: ["datatype"]
Además, es posible anotar por medio del uso de diferentes propiedades, entre otros metadatos, los siguientes: orden de columnas, valores esperados, valores requeridos, valores únicos, claves externas, listas de valores, idiomas de las cadenas, formatos, restricciones, validaciones, instrucciones para la transformación del CSV a otro formato.
A continuación, se expone un ejemplo de diccionario de datos expresado como un esquema en formato JSON que puede ser suministrado a través de un servidor Web. Por ejemplo, a través de la URL: example.org/automoviles.csv-metadata.json.

Ejemplo de diccionario de datos utilizando el formato json-ld¶

{ 
"@context": "http://www.w3.org/ns/csvw", 
"@type": "Table", 
"url": "http://example.org/automoviles.csv", 
“dc:description”: “Tabla con datos de automóviles clásicos”
“dc:creator”: “Autor del ejemplo”
"tableSchema": { 
"columns": [{ 
"name": ”identificador", 
"titles": ”marca", 
”dc:description”: “Este campo contiene información sobre 
la marca y modelo de cada vehículo”
"datatype": "string" },
{ "name": ”annio", 
"titles": ”año", 
”dc:description”: “Este campo contiene información sobre 
el año de fabricación de cada vehículo”
"datatype": {
“base”: ”date" ,
“format”: “yyyy”}},
{ "name": ”cilindros", 
"titles": cilindros", 
”dc:description”: “Este campo contiene información sobre 
el número de cilindros de cada vehículo”
"datatype": ”integer" },
{ "name": ”consumo", 
"titles": ”consumo", 
”dc:description”: “Este campo contiene información sobre 
el consumo medio de cada vehículo, medido en litros / 
100 kms.”
"datatype": ”decimal" },
{ "name": ”potencia", 
"titles": ”potencia", 
”dc:description”: “Este campo contiene información sobre 
la portencia de cada vehículo, medida en CV.”
"datatype": ”decimal" },
{ "name": ”aceleracion", 
"titles": ”aceleración", 
”dc:description”: “Este campo contiene datos sobre la 
aceleración de cada vehículo medida en m/seg2”
"datatype": ”decimal" 
}}] 
}
}

El diccionario de datos que se muestra como ejemplo está asociado al conjunto de datos que se muestra en esta guía.
Entre otras propiedades, se está describiendo el nombre de cada una de las columnas utilizando la propiedad **"name"*.
El uso de la propiedad "title" sirve para especificar la línea de cabecera de la tabla. La ausencia de esta propiedad indica que la tabla carece de línea de cabecera.
Este encabezamiento de cada columna puede estar acompañado de un código de idioma de tal forma que la línea de cabecera se pueda expresar en diferentes idiomas.
Se usa la propiedad "datatype" para describir los tipos de datos en los que se expresa cada valor de la columna correspondiente.
La propiedad "description" permite incluir un texto descriptivo del contenido de cada columna.
Herramientas como las que se describen en el apartado “Toolbox para archivos CSV” de esta guía, por ejemplo, CSVlint, permiten verificar la consistencia del conjunto de datos comparando el contenido del diccionario de datos y la estructura del archivo de datos.
Entre otras comprobaciones se puede validar el número de columnas y su nombre, el tipo de valores permitidos, si éstos deben ser únicos o si existen vinculaciones de estos valores con otras tablas (claves externas).