Ejecuta todas las métricas instanciadas de un modelo_calidad. Cada fila es
una medida reutilizable y conserva el identificador y la fecha de la corrida.
medir(
modelo,
datos,
id_medicion = NULL,
fecha = Sys.time(),
aplicabilidad = NULL,
proteger_datos_personales = FALSE,
columnas_personales = character(),
validadores_personales = NULL
)Data frame S3 de clase medicion, con una fila por objeto medido.
Los booleanos se almacenan como 0 y 1 en la columna común resultado.
orientacion conserva si un valor alto expresa conformidad, si un valor
alto expresa defecto o si esa lectura no aplica. Algunas métricas
que trabajan con un vocabulario o un alcance parcial agregan un atributo
alcance_metricas con sus conteos y límites. Si una métrica no puede
medirse, no crea filas ni ceros: deja el motivo y cómo resolverlo en el
atributo cobertura_metricas, con un estado que distingue tres causas:
sin_valores cuando su universo no tiene valores, contrato_incompleto
cuando su contrato no trae un campo que necesita, y no_medible cuando su
método falló sobre estos datos —una columna sin dos valores para
ErrorEstandar, un atributo que la tabla no trae, una regla que devuelve
NA—, devolvió una salida que no cumple el contrato de metodo, o no
devolvió ninguna medida sobre un universo que sí tiene valores. Cuando el
método falló, el motivo conserva su mensaje, con los valores de las
columnas personales enmascarados si proteger_datos_personales = TRUE, y
medir()
avisa: la falla no se lleva la medición de las demás
métricas, pero tampoco queda muda. Y cuando sí pudo medirse
pero sobre menos elementos de los que hay en su universo aplicable —una
métrica por celda no mide la celda vacía, que no produce medida ni cuenta
como incumplimiento—, el atributo alcance_medidas publica cuántos midió de
cuántos, con su unidad: sin ese número, el agregado de tres celdas de cuatro
no se distingue del de cuatro. Viaja al tablero, se imprime con la medición y
se publica en el informe. También conserva
configuracion_modelo y configuracion_aplicabilidad, descripciones de la
política usada para que una deriva posterior pueda distinguir modelo de
datos. Si el modelo declara un marco, la medición conserva tambien
marco_calidad; la configuracion del modelo registra su nombre, sus pares
dimension-factor y el tipo_resultado de cada metrica.
Esa descripcion es insensible al orden de la declaracion: declarar las
mismas metricas, o los mismos pares del marco, en otro orden no cambia el
modelo, porque un modelo es un conjunto de instrumentos y un marco un
conjunto de pares. El orden de los atributos de una instancia sí es
parte del modelo, porque el metodo recibe las columnas en ese orden. Y el
metodo de medicion entra en la descripcion solo si lo declaro quien
llama: el metodo por omision de una metrica es del paquete y su identidad ya
viaja en el nombre de la metrica, de modo que un cambio interno de lupa no
se lee como un cambio del modelo del usuario.
Primer argumento. Objeto operativo creado por modelo();
reúne las métricas instanciadas que se van a ejecutar. No es el objeto
perfil que devuelve perfilar() ni el marco conceptual de
marco_calidad().
Segundo argumento. Data frame para una sola entidad o lista con nombre de data frames para varias entidades. Es la tabla que se mide, no un perfil ni un modelo.
Con una lista, tienen que estar las tablas de todas las entidades que el modelo mide; si falta alguna se rechaza antes de medir, nombrando todas las que faltan y cuáles se recibieron. Una tabla que el modelo no pide se ignora: no hace falta que la lista coincida exactamente con las entidades, sólo que no falte ninguna.
Identificador de corrida. Si se omite, se genera uno. Cada
medida lleva un id_medida que lo antepone a su métrica instanciada y la
numera dentro de ella —[email protected]—: una corrida armada por partes
con el mismo id_medicion y unida con rbind() no repite identificadores,
y la misma métrica medida dos veces en la corrida sí, que es lo que
evaluar() y historico_calidad() rechazan.
Fecha y hora de la corrida. Se guarda en UTC; un texto
—"2026-03-01" o "2026-03-01 09:30:00"— se lee en UTC, no en el huso de
la sesión, así que la misma llamada registra el mismo instante en cualquier
máquina. Un desplazamiento escrito en el texto —"2026-03-01 09:30:00-03:00",
Z, +0100— se respeta, y un texto que no se puede leer entero se rechaza.
Lista con nombre por columna, donde cada elemento es
una fórmula que dice en qué filas esa columna corresponde —por ejemplo
list(marca_auto = ~ tiene_auto == "Si")—. Las filas fuera de ese universo
salen de la medición en vez de contarse como ausencia. Una métrica de
varias columnas se mide donde corresponden todas. Las medidas citan la fila
de la tabla original —fila y objeto_medible—, no su posición en el
universo.
Es la misma declaración que recibe perfilar(), y hace falta porque una
métrica de completitud sobre una columna condicionada mide lo que no
corresponde: con universo de 300 filas sobre 1.000 y 30 vacías de verdad,
sin declararlo da 0,270 y declarándolo 0,900. El histórico y la deriva
consumen mediciones, así que heredan el número que salga de acá.
Sin declaración toda la tabla aplica y el resultado es el de siempre.
Si se enmascaran los candidatos de
proximidad que corresponden a columnas personales. Por omisión FALSE.
También gobierna lo que escribe un método propio: si alguna tabla recibida
tiene columnas personales, su etiqueta objeto se reemplaza por la
canónica del paquete (tabla$columna[fila]), y los valores de esas
columnas se enmascaran en el motivo de una métrica no_medible. La
protección alcanza a lo que medir() recibe: un valor que un método trae
de otro lado —una tabla que no se le pasó a medir()— no se puede
reconocer, y publicarlo es responsabilidad de quien escribe el método.
Columnas que traen datos personales, declaradas
con la misma forma que acepta perfilar(): nombres de columna, o un
vector con nombre donde el nombre es la columna y el valor es el tipo. Se
protegen aunque el léxico por omisión no las reconozca —un nombre propio
de la organización, un identificador interno—. Sólo tiene efecto con
proteger_datos_personales = TRUE.
Pack o lista nombrada de funciones de
validación, con la misma forma que acepta perfilar(). Sin esto, la
medición usa el léxico por omisión.
nucleo <- metricas_nucleo()
especifica <- especializar(nucleo$NoNulo, nombre_especifico = "NoNuloEdad")
instancia <- instanciar(especifica, "personas", "edad")
medir(modelo(instancia), data.frame(edad = c(20, NA, 35)))
Run the code above in your browser using DataLab