Datasets

Todos los conjuntos de datos del repositorio son sintéticos y sirven únicamente para aprendizaje. No representan personas, bancos, tasas ni comportamientos reales, y no deben usarse para calibrar ningún modelo que tome decisiones sobre personas.

Organización

datasets/
├── raw/          origen sin transformar, tal como se generó o descargó
├── processed/    derivado de raw, con la transformación documentada
├── synthetic/    generado con semilla fija y patrón conocido
└── schemas/      una ficha por conjunto: diccionario, supuestos y límites

Los tres conjuntos históricos (personal_budget_synthetic.csv, loan_applications_synthetic.csv, transactions_synthetic.csv) permanecen en la raíz de datasets/ porque las clases de las Partes 1 a 16 los enlazan por esa ruta. Sus fichas están en schemas/, igual que las de los demás.

Conjuntos disponibles

Conjunto	Filas	Ficha	Usado en
`personal_budget_synthetic.csv`	84	ficha	Partes 1 y 2
`loan_applications_synthetic.csv`	100	ficha	Parte 9, `apps/credit_scoring/`
`transactions_synthetic.csv`	300	ficha	Partes 11 y 14
`synthetic/open_finance_consents.csv`	1 200	ficha	Parte 17, labs 1 y 5

Reglas

Todo CSV tiene ficha. Un conjunto sin diccionario es un archivo que alguien tendrá que adivinar. tools/validate_datasets.py lo exige.
Toda columna aparece en la ficha, con su significado y —cuando importa— con la línea «NO significa», que evita la mitad de los errores de integración.
Toda ficha declara sus límites. Un conjunto presentado sin límites se lee como representativo, y ninguno de estos lo es.
Ningún dato personal real. tools/detect_pii.py lo comprueba en CI: RUT con dígito verificador válido, tarjetas que pasan Luhn, IBAN y correos con dominio real.
Generación reproducible. Los conjuntos nuevos se generan con semilla fija y la semilla se documenta en la ficha.

Verificación

python tools/validate_datasets.py

python tools/detect_pii.py