Crea un data frame plano y versionado con corridas producidas por medir() o
evaluar(). acumular_historico() agrega objetos al mismo esquema y es
idempotente cuando recibe otra vez registros idénticos, incluso si el RDS se
guardó o se vuelve a leer bajo otro locale.
historico_calidad(..., detalle = c("resumen", "completo"))acumular_historico(historico, ..., detalle = c("resumen", "completo"))
Data frame S3 historico_calidad. La columna version_esquema y el
atributo del mismo nombre permiten migraciones futuras. nivel corresponde
a medida, evaluacion_medida, evaluacion_regla o
evaluacion_perfil; una métrica sin valores se conserva como
metrica_no_evaluada con su motivo, siempre que la medición tenga al
menos una medida; y una parte declarada en una frontera —una tabla de la
colección, una colección de la organización— que no entró al número, como
parte_no_medida, con la frontera en id_registro, la parte en entidad
y el motivo en objeto_medible —también cuando un objeto reúne varias
corridas con rbind(): cada parte va a la corrida a la que le faltó—. Una medida que una regla declaró desenlace = "suprimir"
no publica su valor tampoco aquí: su fila deja resultado en NA y
marca objeto_medible con [valor suprimido], en los dos niveles donde esa
medida aparece —medida y evaluacion_medida, en este último bajo
cualquier perfil o regla que la evalúe, no solo el que la suprimió—,
porque esta tabla está pensada para exportarse. Con el detalle resumido, las medidas suprimidas
entran igual, enmascaradas en el nivel evaluacion_medida: así una
medición acumulada después —también sobre un histórico guardado o
leído de un CSV— queda tapada en las mismas medidas, sea cual sea el orden
en que llegan los objetos. Una medición enteramente vacía —ninguna métrica
pudo aplicarse— no se acumula: se rechaza citando el motivo que medir()
declaró en cobertura_metricas, porque no hay corrida que registrar. El atributo
configuracion_evaluacion conserva, en una tabla plana separada, el
modelo, su marco y sus tipos, la aplicabilidad, el perfil, la identidad
de tabla y la fecha de cada corrida. Acumular una corrida con un
id_medicion ya presente exige que todo eso coincida, la fecha incluida:
dos entregas distintas son dos corridas, y el error nombra en qué difieren.
Esa misma configuración viaja en las filas
evaluacion_perfil, en las
columnas identidad_tabla, configuracion_modelo, configuracion_marco,
configuracion_tipos_resultado, configuracion_aplicabilidad y
configuracion_perfil —en NA en los demás niveles—, porque el atributo no
sobrevive a write.csv(): un histórico releído de un CSV la recupera de
ahí. Son columnas agregadas al esquema 1: un histórico anterior que no las
trae se lee igual, con ellas en NA.
Objetos medicion, evaluacion_calidad o historico_calidad.
También puede darse una única lista que los contenga.
Para evaluaciones, "resumen" conserva los niveles de regla y
perfil; "completo" conserva además cada evaluación de medida. Una
medicion pasada explícitamente siempre se conserva completa.
Objeto creado por historico_calidad().
El detalle predeterminado evita repetir una fila por celda y regla cuando el
objetivo es monitorear la serie de evaluaciones. El objeto no guarda modelos,
closures, datos originales ni perfiles de profiling. Esto mantiene la tabla
exportable directamente con write.csv() o una herramienta de base de datos.
Al volver a leerla, cada columna recupera el tipo del esquema —read.csv()
lee como lógica una columna de texto que viene entera en NA— y las fechas
de texto se leen en UTC, con su hora y con su desplazamiento cuando lo traen
—2026-01-31 10:00:00-03:00 son las 13:00 UTC; también Z, +0100 o
-03, como los escribe una columna timestamptz de una base—. Un texto que
no se puede leer entero se rechaza: no se lee a medias.
[, subset() y dplyr::filter() conservan la configuración de las
corridas que quedan; rbind() de dos históricos los acumula, como
acumular_historico().
El esquema largo mapea las cuatro tablas de la sección 9.5 del marco mediante
nivel. Las columnas que no corresponden a un nivel quedan como NA.
AGESIC (2020). Marco de trabajo para la Gestión de la Calidad de Datos en Gobierno Digital, versión 1.6, sección 9.5, Presidencia de la República, Uruguay.
medir(), evaluar(), detectar_deriva_calidad(), reportar()
historico_calidad(), leer_historico()
nucleo <- metricas_nucleo()
instancia <- instanciar(especializar(nucleo$NoNulo), "personas", "edad")
medidas <- medir(
modelo(instancia), data.frame(edad = c(20, NA)),
id_medicion = "enero", fecha = as.POSIXct("2026-01-31", tz = "UTC")
)
evaluacion <- evaluar(
medidas,
perfil_evaluacion("Basico", regla_evaluacion("Presente", function(x) x > 0))
)
historico_calidad(medidas, evaluacion)
Run the code above in your browser using DataLab