refactor(eda): quitar definiciones inline redundantes con el glosario en 5 capítulos

Ahora que el AutomaticEDA tiene un capítulo GLOSARIO con las definiciones de los
términos técnicos (enganchados como links clicables desde el cuerpo), los
capítulos calidad/correlacion/modelos/agregacion/relaciones ya no repiten inline
esas explicaciones largas: se deja el TÉRMINO marcado (clicable, sigue saltando
al glosario) y se elimina el párrafo/oración de definición redundante. Los
HALLAZGOS y datos concretos del análisis se mantienen intactos; solo se quitan
las definiciones generales que el glosario ya cubre.

- calidad: _criteria_intro pasa de un bullet-list con las definiciones de
  completitud/validez/unicidad/calidad + fórmula renormalizada + párrafo de
  outliers a una frase que nombra las dimensiones, sus pesos (60/40) y el
  principio de outliers; los 4 términos siguen marcados.
- modelos: la nota de normalización deja de explicar la fórmula del z-score; la
  intro de PCA ya no define "componentes ortogonales ordenados por varianza"; la
  de KMeans quita "rango −1 a 1: cuanto más alto..." (silhouette); la sección de
  Isolation Forest quita la descripción de árboles/cortes/umbral. Términos
  marcados intactos.
- correlacion: la intro deja de describir cada método y consolida la duplicación
  signo/dirección; los 4 métodos + FDR siguen marcados.
- agregacion: la intro quita la definición de pivot ("cruzan dos categóricas
  sobre una medida") y abrevia la selección de claves; groupby y pivot marcados.
- relaciones: la intro y la sección de candidatas/inter-tabla quitan las
  definiciones de PK ("identifica cada fila"), FK ("referencian a otra tabla") y
  containment ("valores contenidos en la clave de otra"); pk/fk/cardinalidad/
  containment siguen marcados.

Verificado sobre el EDA de titanic (run_models + run_llm, 48 págs): los 23 link
annotations término→glosario se conservan (PyMuPDF), el glosario mantiene las 20
definiciones, y el texto visible de los 5 capítulos baja un 34.7% en conjunto
(calidad −67%, modelos −33%, relaciones −19%, agregacion −15%, correlacion −8%).
Tests actualizados (calidad_test asertaba el texto viejo). Suite EDA + pipeline
verde (118 passed).

Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>

python/functions/datascience/automatic_eda/chapters/agregacion.py

@@ -561,13 +561,11 @@ def _intro_blocks(gloss=None, mark_term: bool = False) -> list:
     t_groupby = _term(mark_term, "groupby", "**por grupos** (split-apply-combine)")
     t_pivot = _term(mark_term, "pivot_table", "**tablas dinámicas** (pivot)")
     text = (
-        f"Este capítulo analiza la tabla {t_groupby}: "
+        f"Este capítulo analiza la tabla {t_groupby}: elige las columnas "
-        "elige las columnas categóricas más informativas — por su cardinalidad "
+        "categóricas más informativas (por cardinalidad y relevancia, no todas "
-        "y relevancia, no todas contra todas, para no inflar comparaciones "
+        "contra todas) y resume las variables numéricas dentro de cada grupo "
-        "espurias — y resume las variables numéricas dentro de cada grupo "
+        f"(conteo, media, mediana, desviación). Se añaden {t_pivot} y "
-        f"(conteo, media, mediana, desviación). Las {t_pivot} "
+        "**gráficos de barras** (siempre desde cero) para comparar los grupos."
-        "cruzan dos categóricas sobre una medida, y los **gráficos de barras** "
-        "(siempre desde cero) comparan los grupos de un vistazo."
     )
     return [model.Heading(text=CHAPTER_TITLE, level=1),
             model.Markdown(text=text)]

python/functions/datascience/automatic_eda/chapters/calidad.py

@@ -3,12 +3,13 @@
 Builds the quality chapter from a ``TableProfile`` of the ``eda`` group. The
 chapter implements the quality model of report 2046:
 
-1. **En qué se basa la calidad** — an intro paragraph explaining the two scored
+1. **En qué se basa la calidad** — a concise intro naming the two scored
    dimensions and their weights (completitud 60%, validez 40%) plus the
-   table-level row uniqueness, BEFORE any number, and stating explicitly that
+   table-level row uniqueness, BEFORE any number, and stating that outliers are
-   outliers are reported as observations and do **not** lower the score. The
+   reported as observations and do **not** lower the score. The criteria terms
-   criteria terms (calidad de datos, completitud, validez, unicidad de registro)
+   (calidad de datos, completitud, validez, unicidad de registro) are hooked
-   are hooked into the shared glossary as clickable jumps.
+   into the shared glossary as clickable jumps; their full definitions live in
+   the GLOSARIO chapter, not inline here.
 2. **Scores por columna** — a table with, per column, the total quality score and
    its breakdown into completeness / validity (no consistency dimension).
 3. **Problemas de calidad** — a table listing ONLY real quality defects
@@ -309,30 +310,22 @@ def _term(key: str, label: str, mark: bool) -> str:
 
 
 def _criteria_intro(mark: bool) -> str:
-    """Intro paragraph explaining the two scored dimensions and the principle."""
+    """Intro: how the score is composed, with every term marked clickable.
+
+    Concise on purpose: the definitions of each term (calidad de datos,
+    completitud, validez, unicidad de registro) now live in the GLOSARIO
+    chapter, so the body no longer repeats them — it only states how the score
+    is composed and keeps each term marked so it stays a clickable jump.
+    """
     calidad = _term("calidad_datos", "calidad de datos", mark)
-    completitud = _term("completitud", "Completitud (peso 60%)", mark)
+    completitud = _term("completitud", "completitud", mark)
-    validez = _term("validez", "Validez (peso 40%, cuando es medible)", mark)
+    validez = _term("validez", "validez", mark)
     unicidad = _term("unicidad_registro", "unicidad de registro", mark)
     return (
-        f"La {calidad} de cada columna es un score de 0 a 100 que combina solo "
+        f"La {calidad} de cada columna es un score de 0 a 100 que combina "
-        "dimensiones medibles desde el perfil de la tabla, sin fuente externa "
+        f"{completitud} (peso 60%) y {validez} (peso 40%, cuando es medible); "
-        "de verdad:\n\n"
+        f"a nivel de tabla se añade la {unicidad}. Los valores atípicos no "
-        f"- {completitud}: proporción de valores presentes (1 − % de nulos; en "
+        "bajan el score: se listan aparte como **observaciones analíticas**."
-        "texto, las celdas vacías cuentan como faltantes). Los nulos y vacíos "
-        "bajan el score.\n"
-        f"- {validez}: proporción de valores que encajan con su tipo o formato "
-        "(un número que parsea, una fecha legible, un email con forma de email). "
-        "Si una columna es texto libre sin formato esperado, la validez no se "
-        "mide y el score se basa solo en la completitud.\n\n"
-        f"Score de columna = 100 × (0,6·completitud + 0,4·validez), "
-        "renormalizado cuando la validez no aplica. A nivel de tabla se añade "
-        f"la {unicidad} (1 − % de filas duplicadas).\n\n"
-        "**Los valores atípicos (outliers) NO bajan la calidad.** Un valor "
-        "extremo puede ser real y correcto; detectar atípicos es parte del "
-        "análisis de la distribución, no un juicio de corrección. Por eso, junto "
-        "con las columnas constantes y los identificadores, se listan aparte "
-        "como **observaciones analíticas** que no afectan al score."
     )
 
 

python/functions/datascience/automatic_eda/chapters/calidad_test.py

@@ -72,14 +72,16 @@ def test_golden_chapter_estructura_y_version():
     assert "markdown" in kinds and "kv_table" in kinds and "data_table" in kinds
 
 
-def test_golden_intro_explica_dos_dimensiones_y_pesos():
+def test_golden_intro_nombra_dos_dimensiones_y_pesos():
+    # La intro nombra las dos dimensiones, sus pesos y la unicidad, pero ya NO
+    # repite sus definiciones largas: estas viven ahora en el capítulo GLOSARIO.
     ch = build_calidad(_profile(), {})
     intro = [b for b in ch.blocks if b.kind == "markdown"][0].text
-    for needle in ("Completitud", "Validez", "60%", "40%",
+    for needle in ("completitud", "validez", "60%", "40%",
                    "unicidad de registro"):
         assert needle in intro, f"falta {needle!r} en la intro de criterios"
     # El principio: los outliers NO bajan la calidad.
-    assert "atípicos" in intro and "NO bajan" in intro
+    assert "atípicos" in intro and "no bajan" in intro
     # Ya no se menciona la dimensión consistencia eliminada.
     assert "20%" not in intro
 

python/functions/datascience/automatic_eda/chapters/correlacion.py

@@ -356,12 +356,11 @@ def build_correlacion(profile: dict, ctx: dict):
     t_cramers = _term(mark_term, "cramers_v", "Cramér's V")
     t_corr_ratio = _term(mark_term, "correlation_ratio", "razón de correlación")
     blocks.append(model.Markdown(text=(
-        "Asociación entre columnas. Cada par se evalúa con la métrica adecuada a "
+        "Asociación entre columnas. Cada par se evalúa con la métrica adecuada "
-        f"sus tipos ({t_pearson}/{t_spearman} entre numéricas — con **signo**; "
+        f"a sus tipos: {t_pearson}/{t_spearman} (numéricas), {t_cramers} "
-        f"{t_cramers} entre categóricas; {t_corr_ratio} num-categórica; "
+        f"(categóricas), {t_corr_ratio} (num-categórica) e información mutua. "
-        "información mutua como medida común no lineal). Sólo las correlaciones "
+        "Sólo las correlaciones **num-num** llevan **signo** (dirección): por "
-        "**num-num** tienen dirección: por eso los pares **negativos** son siempre "
+        "eso los pares **negativos** son siempre num-num.")))
-        "num-num.")))
 
     # 1) Association matrix (heatmap).
     labels, trimmed = _ordered_labels(pairs)

python/functions/datascience/automatic_eda/chapters/modelos.py

@@ -6,15 +6,16 @@ normality}``). It renders, as structured markdown/tables/figures that the core
 paginator never cuts:
 
 1. **Normalization note** — every multivariate model below standardizes the
-   columns with z-score first; the chapter explains why (different scales would
+   columns with z-score first (the term is marked clickable; its definition
-   otherwise dominate distance/variance).
+   lives in the GLOSARIO chapter, not inline).
 2. **PCA** — a scree plot (explained + cumulative variance, single Y axis) plus
    variance and top-loadings tables.
 3. **KMeans segments** — a PCA scatter **coloured by cluster** (its own
    page/slide), the cluster-size table, and a per-cluster LLM micro-analysis
    with a title for each segment.
-4. **Isolation Forest outliers** — a short explanation of how anomalous rows are
+4. **Isolation Forest outliers** — the multivariate anomaly counts and decision
-   isolated multivariately and how the threshold is chosen, plus the counts.
+   threshold (the method is marked clickable; its definition lives in the
+   GLOSARIO chapter, not inline).
 5. **Normality** — per-column Jarque-Bera / D'Agostino / Shapiro verdicts.
 
 The raw numeric data needed to colour the cluster scatter is **not** in the
@@ -314,12 +315,8 @@ def _normalization_intro(gloss=None, mark_term: bool = False) -> list:
     text = (
         "Estos modelos son **no supervisados**: buscan estructura latente sin "
         "una variable objetivo. Antes de aplicarlos, todas las columnas "
-        f"numéricas se {zscore} (cada valor menos la media, dividido por la "
+        f"numéricas se {zscore}, para que todas pesen por igual con "
-        "desviación típica). Sin esta normalización, una variable con escala "
+        "independencia de su escala."
-        "grande (p.ej. ingresos en euros) dominaría las distancias y la varianza "
-        "frente a otra de escala pequeña (p.ej. un ratio entre 0 y 1), sesgando "
-        "tanto el PCA como el KMeans. Tras la estandarización todas las variables "
-        "pesan por igual."
     )
     return [model.Heading(text="Modelos no supervisados", level=1),
             model.Markdown(text=text)]
@@ -334,11 +331,11 @@ def _pca_section(pca: dict, gloss=None, mark_term: bool = False) -> list:
     n_used = pca.get("n_rows_used")
     n_feat = pca.get("n_features")
     intro = (
-        f"El {_term(mark_term, 'pca', 'PCA')} resume {_fmt_num(n_feat)} variables "
+        f"El {_term(mark_term, 'pca', 'PCA')} se aplica sobre "
-        "numéricas en componentes ortogonales ordenados por la varianza que "
+        f"{_fmt_num(n_feat)} variables numéricas ({_fmt_num(n_used)} filas "
-        f"capturan ({_fmt_num(n_used)} filas usadas tras eliminar nulos). El "
+        "usadas tras eliminar nulos). El gráfico de sedimentación (scree) "
-        "gráfico de sedimentación (scree) muestra cuánta varianza aporta cada "
+        "muestra cuánta varianza aporta cada componente y su acumulado: un "
-        "componente y su acumulado: un codo marca cuántos componentes bastan."
+        "codo marca cuántos componentes bastan."
     )
     blocks.append(model.Markdown(text=intro))
 
@@ -403,9 +400,8 @@ def _kmeans_section(kmeans: dict, projection: dict, titles,
     t_sil = _term(mark_term, "silhouette", "*silhouette*")
     intro = (
         f"{t_kmeans} agrupa las filas en **{_fmt_num(best_k)} segmentos** "
-        f"elegidos automáticamente maximizando el coeficiente de {t_sil} "
+        f"elegidos automáticamente por el coeficiente de {t_sil} "
-        f"(**{_fmt_num(sil)}**, rango −1 a 1: cuanto más alto, segmentos más "
+        f"(**{_fmt_num(sil)}**). Los segmentos se proyectan sobre el plano de "
-        "compactos y separados). Los segmentos se proyectan sobre el plano de "
         "los dos primeros componentes principales para visualizarlos."
     )
     blocks.append(model.Markdown(text=intro))
@@ -469,14 +465,10 @@ def _outliers_section(outliers: dict, gloss=None, mark_term: bool = False) -> li
                             level=2)]
     isof = _term(mark_term, "isolation_forest", "**Isolation Forest**")
     explain = (
-        f"{isof} detecta filas anómalas de forma *multivariante*: "
+        f"{isof} marca filas anómalas de forma *multivariante*: combinaciones "
-        "construye árboles que parten el espacio con cortes aleatorios y mide "
+        "de valores poco frecuentes considerando **todas las columnas a la "
-        "cuántos cortes hacen falta para aislar cada fila. Las filas raras "
+        "vez**, no una sola. La tabla resume cuántas se detectaron y el umbral "
-        "(combinaciones de valores poco frecuentes considerando **todas las "
+        "de decisión empleado."
-        "columnas a la vez**, no una sola) se aíslan con muy pocos cortes y "
-        "obtienen un score bajo. El **umbral** de decisión separa las filas "
-        "normales de las anómalas según la contaminación esperada del modelo: "
-        "una fila es outlier cuando su score queda por debajo de ese umbral."
     )
     blocks.append(model.Markdown(text=explain))
     blocks.append(model.KVTable(rows=[

python/functions/datascience/automatic_eda/chapters/relaciones.py

@@ -256,14 +256,14 @@ def _pk_candidates_section(profile: dict, mark: bool) -> list:
     pk = ("[[term:pk]]**clave primaria**[[/term]]" if mark
           else "**clave primaria**")
     intro = (
-        f"Estas columnas son **candidatas a {pk}**: su "
+        f"Columnas **candidatas a {pk}**: su "
-        "[[term:cardinalidad]]cardinalidad[[/term]] iguala al número de filas y no "
+        "[[term:cardinalidad]]cardinalidad[[/term]] iguala al número de filas y "
-        "tienen nulos, así que cada valor identifica una fila distinta. Son "
+        "no tienen nulos. Son candidatas, no una clave declarada: la base no "
-        "candidatas, no una clave declarada: la base no las marca como tal."
+        "las marca como tal."
         if mark else
-        "Estas columnas son **candidatas a clave primaria**: su cardinalidad "
+        "Columnas **candidatas a clave primaria**: su cardinalidad iguala al "
-        "iguala al número de filas y no tienen nulos, así que cada valor "
+        "número de filas y no tienen nulos. Son candidatas, no una clave "
-        "identifica una fila distinta.")
+        "declarada.")
 
     rows = []
     for name in keys:
@@ -320,10 +320,10 @@ def _inter_table_section(db_path: str, tables: list, mark: bool) -> list:
     blocks = [
         model.Heading(text="Claves foráneas candidatas (inter-tabla)", level=2),
         model.Markdown(text=(
-            f"La fuente tiene varias tablas. Estas {fk_term} candidatas se infieren "
+            f"La fuente tiene varias tablas. Estas {fk_term} candidatas se "
-            f"por señal de nombre y por {containment}: una columna de una tabla cuyos "
+            f"infieren por señal de nombre y por {containment}. No están "
-            "valores están contenidos en la clave de otra. No están declaradas por "
+            "declaradas por la base; son la relación más probable según los "
-            "la base; son la relación más probable según los datos.")),
+            "datos.")),
     ]
 
     shown = candidates[:MAX_FK_ROWS]
@@ -441,13 +441,12 @@ def _intro_blocks(mark: bool) -> list:
     pk = "[[term:pk]]clave primaria[[/term]]" if mark else "clave primaria"
     fk = "[[term:fk]]clave foránea[[/term]]" if mark else "clave foránea"
     text = (
-        f"Este capítulo analiza las **relaciones de clave** de la tabla: qué columna "
+        f"Este capítulo analiza las **relaciones de clave** de la tabla: cuál es "
-        f"identifica cada fila (la {pk}) y qué columnas referencian a otra tabla (las "
+        f"la {pk} y cuáles son las {fk}. Cuando la base las **declara** como "
-        f"{fk}). Cuando la base las **declara** como restricciones del esquema, se "
+        "restricciones del esquema, se muestran tal cual; cuando no, se proponen "
-        "muestran tal cual; cuando no, se proponen las más probables a partir de los "
+        "las más probables a partir de los datos —por containment entre tablas o, "
-        "datos —por inclusión de valores entre tablas (containment) o, en una sola "
+        "en una sola tabla, por una heurística de nombre y cardinalidad— siempre "
-        "tabla, por una heurística de nombre y cardinalidad— siempre marcadas como "
+        "marcadas como candidatas, nunca como hechos.")
-        "candidatas, nunca como hechos.")
     return [model.Heading(text=CHAPTER_TITLE, level=1), model.Markdown(text=text)]