Preguntas · Deduplicación

Excel no encuentra los duplicados: ¿por qué, y qué hacer?

Qué hace de verdad «Quitar duplicados»

La función compara el contenido de las celdas que eliges, columna por columna, carácter por carácter. Encuentra la fila idéntica: mismo texto, mismas mayúsculas, mismos espacios. Todo lo que se aparta aunque sea en un detalle no se considera igual, y la fila se queda en la base de datos como si fuera otra persona.

En la práctica basta muy poco para que la comparación falle: un espacio de más después del número, «García Ana» en vez de «Ana García», «Avda.» en lugar de «Avenida», un acento que falta en «Garcia». Ninguno de estos casos es raro: son la manera normal en que la gente escribe una base de datos, no una excepción. Quien introdujo la segunda fila no se equivocó en nada: solo escribió la misma información con sus palabras, en otro momento, quizá desde otro formulario.

El mismo límite tienen las fórmulas que comparan a mano dos columnas, o un BUSCARV o COINCIDIR sobre nombre y dirección: siguen siendo una comparación de texto, y el texto de dos duplicados reales casi nunca coincide carácter por carácter.

Por qué dos filas que parecen distintas son a menudo la misma persona

• Mayúsculas, acentos y espacios. «ANA GARCIA» y «Ana García » (con un espacio final) son para Excel dos textos distintos.
• Abreviaturas de la vía. «Avda. de la Constitución 1» y «Avenida de la Constitución, 1» no tienen el mismo texto en la posición correcta.
• Apellidos y nombre invertidos. Una importación con las columnas intercambiadas produce «García Ana» al lado de «Ana García», y ninguna de las dos fórmulas habituales las junta.
• La inicial en vez del nombre. «Garcia A.» y «Ana García» no comparten ni siquiera el nombre entero.
• Código postal que falta en una sola fila. Una celda vacía basta para romper una comparación exacta sobre varias columnas.

Excel no se equivoca: hace exactamente lo que le has pedido, una comparación literal. El problema es que una base de datos real nunca está escrita de manera uniforme.

Lo que pierdes tirando una fila al azar

Incluso cuando dos filas se reconocen como iguales (por ejemplo porque se copiaron una sobre otra), descartar una al azar tiene riesgo: si el email estaba registrado solo en una fila y el teléfono solo en la otra, quedándote con una sola pierdes un dato de contacto. Y si la elección es manual, en una base de datos de unos miles de filas se convierte en un trabajo largo y tan propenso a errores como el que se quiere resolver: hay que abrir cada pareja sospechosa, compararla a ojo, decidir cuál conservar y volver a copiar a mano los datos que faltan de la otra.

Hay también un riesgo menos visible: descartar la fila equivocada cuando las dos no son en absoluto la misma persona, sino dos personas con el mismo nombre en el mismo municipio. Una comparación solo textual no tiene manera de distinguir los dos casos, y es justo ahí donde haría falta la mayor cautela.

Lo que hace en cambio una comparación de verdad

La deduplicación de RadarAddress trabaja en dos tiempos. Primero arregla cada dirección en su forma correcta — tipo de vía por extenso, código postal correcto, municipio bien escrito — así dos grafías de la misma calle se convierten en la misma calle antes incluso de compararse. Después pone frente a frente los nombres, reconociendo la inicial en vez del nombre, el orden invertido de apellidos y nombre, una errata o un acento que falta en el apellido y el tratamiento delante del nombre, que no cuenta en el veredicto.

El resultado no es una fila borrada: es una ficha principal que toma de cada duplicado el mejor campo, email y teléfono incluidos, con escrito de dónde viene cada información. Y cada grupo lleva un nivel de certeza — seguro, probable, ambiguo — así sabes cuáles unir a ojos cerrados y cuáles mirar tú, en vez de tener que decidirlo fila por fila como en una hoja de cálculo.

En una base de datos subida como archivo la comparación corre sobre la lista entera en un solo trabajo, hasta 100.000 fichas: no hace falta ordenar, agrupar ni cruzar hojas a mano.

El mismo caso, dos resultados distintos

Las dos filas no comparten ni una sola cadena idéntica — orden invertido, inicial, abreviatura, acento que falta, código postal solo en una — pero son la misma dirección y la misma persona. Nombres inventados con fines demostrativos; cualquier referencia a personas reales es pura coincidencia.