Data Blending

La combinación de datos reúne datos de dos o más fuentes independientes en una única vista o conjunto de datos, normalmente agregando cada fuente en torno a un campo común de enlace, como una fecha, una tienda o una región, antes de relacionarlas. El término procede de las herramientas de inteligencia empresarial, donde una combinación permite mostrar el presupuesto mensual de marketing de un sistema junto a las ventas diarias de otro sin tener que cargar primero ambos en una misma base de datos. En aprendizaje automático, la combinación también describe la mezcla de varios conjuntos de datos en uno solo para entrenar, como imágenes reales con datos sintéticos o un conjunto de datos de referencia público con imágenes de las cámaras propias de una empresa.

Cómo funciona la combinación de datos#

En la implementación de Tableau, la primera fuente que se utiliza en una vista es la fuente principal y define la vista; cada fuente secundaria se consulta por separado, se agrega al nivel de los campos de enlace y se adjunta a las filas coincidentes. El resultado se comporta como una unión izquierda, con una diferencia de orden: una unión combina las filas y después las agrega, mientras que una combinación agrega primero cada fuente y luego las combina. Ese orden importa cuando las fuentes tienen distintos niveles de granularidad, como muestra este ejemplo de pandas con ingresos diarios y gasto publicitario mensual:

import numpy as np
import pandas as pd

# Source 1: daily revenue from a store database
rng = np.random.default_rng(0)
orders = pd.DataFrame({"date": pd.date_range("2026-01-01", "2026-03-31")})
orders["revenue"] = rng.integers(200, 400, len(orders))
orders["month"] = orders["date"].dt.strftime("%Y-%m")

# Source 2: monthly ad spend from a marketing tool
ads = pd.DataFrame({"month": ["2026-01", "2026-02", "2026-03"], "ad_spend": [3000, 2000, 4000]})

# A row-level join copies each month's spend onto every daily row
joined = orders.merge(ads, on="month")
print(f"ad spend after a row-level join: {joined['ad_spend'].sum():,}")

# A blend aggregates to the linking field (month) first, then combines the sources
blended = orders.groupby("month", as_index=False)["revenue"].sum().merge(ads, on="month", how="left")
blended["revenue_per_ad_dollar"] = (blended["revenue"] / blended["ad_spend"]).round(2)
print(blended)

La unión a nivel de fila indica un gasto publicitario de 273.000 en vez de los 9.000 reales, porque el presupuesto de cada mes se repite en todas sus filas diarias, de 28 a 31. La combinación mantiene una fila por mes y devuelve unos ingresos por euro publicitario de 3,17 en enero, 4,06 en febrero y 2,41 en marzo.

La combinación resulta adecuada para el análisis exploratorio de datos y los paneles de visualización de datos, cuando las fuentes están en sistemas distintos y se necesita combinarlas para responder a una pregunta. Los valores del campo de enlace deben coincidir exactamente, así que «Lt. Blue» en una fuente no se vinculará con «Light Blue» en otra hasta que se depuren o se asignen alias a los nombres.

Combinación de conjuntos de datos de entrenamiento#

Los equipos de aprendizaje automático combinan conjuntos de datos para abarcar más condiciones de las que contiene una sola fuente. Los modelos de lenguaje grandes se entrenan con este tipo de mezclas: The Pile, publicado por EleutherAI en 2020, combina 22 fuentes, desde artículos académicos hasta código, en un corpus de texto en inglés de 825 GiB con un peso de muestreo propio para cada fuente. En visión artificial, combinar un conjunto de datos procedente de muchas cámaras, regiones y estaciones reduce el sobreajuste a un único entorno y contrarresta el sesgo del conjunto de datos.

La combinación de datos de entrenamiento requiere la misma conciliación que la combinación de datos de inteligencia empresarial. Los nombres de las clases deben ajustarse a una taxonomía común, de modo que «coche», «automóvil» y «vehículo» pasen a ser una sola clase o se mantengan deliberadamente separadas. Los formatos y las convenciones de anotación de datos deben coincidir, ya que una fuente puede dibujar un recuadro delimitador alrededor de la parte visible de una persona ocluida, mientras que otra puede marcar su contorno completo; además, la limpieza de datos elimina las imágenes que aparecen en más de una fuente. Los equipos extraen los datos de prueba del dominio de despliegue, para que las métricas reflejen el objetivo y no la fuente más sencilla de la mezcla.

Ultralytics YOLO combina fuentes durante el entrenamiento mediante su archivo YAML del conjunto de datos, cuyo campo train acepta una lista de directorios de imágenes o un archivo .txt con rutas de imágenes; así, una única ejecución de entrenamiento puede utilizar un conjunto de datos real y otro sintético, mientras que val enumera solo las imágenes reales.

Combinación de datos frente a términos relacionados#

• Unión de datos: Combina registros fila por fila según claves coincidentes dentro de una consulta, antes de cualquier agregación, lo que duplica valores cuando las fuentes tienen distintos niveles de granularidad.
• Integración de datos: Consolida de forma permanente las fuentes en un almacén o lago de datos con un esquema compartido, normalmente mediante canalizaciones de extracción, transformación y carga (ETL).
• Combinación en el aprendizaje por conjuntos: Combina las predicciones de varios modelos mediante un metamodelo entrenado con un conjunto de reserva; es el enfoque utilizado por las propuestas ganadoras del premio Netflix Prize y no tiene relación con la combinación de fuentes de datos.