aitziberluis/eda-express

EDA Express — análisis exploratorio automático

Dado un dataset tabular (CSV, Excel o DataFrame), genera el análisis exploratorio que un analista haría en su primera hora: calidad de datos, estadísticos, correlaciones, alertas accionables e informe en Markdown. Todo corre en tu máquina — no hay servidor ni se envían datos a ningún sitio.

• Motor de 12 alertas de calidad con recomendación concreta: faltantes por gravedad, columnas constantes, posibles IDs, cardinalidad alta, duplicados (filas y columnas), numéricas/fechas guardadas como texto, outliers, asimetría, pares redundantes y clases desbalanceadas.
• Estadística sólida sin dependencias pesadas: correlaciones de Pearson, V de Cramér entre categóricas, eta² respecto al objetivo y PCA — implementados con pandas y numpy, sin scipy ni scikit-learn.
• Informe en Markdown listo para adjuntar o convertir a PDF.
• Código fuente, app web (Streamlit + Docker) y API REST: github.com/aitziberluis/eda-express

Uso

# pip install huggingface_hub pandas numpy tabulate requests
import sys

import pandas as pd
from huggingface_hub import snapshot_download

sys.path.insert(0, snapshot_download("aitziberluis/eda-express"))
from eda import alerts, profiler, report

df = pd.read_csv("mi_dataset.csv")

# Visión general y alertas accionables
print(profiler.overview(df))
for alerta in alerts.run_all_checks(df, target="mi_columna_objetivo"):
    print(f"[{alerta['nivel']}] {alerta['columna']}: {alerta['mensaje']}")
    print(f"   -> {alerta['recomendacion']}")

# Estadísticos y asociaciones
print(profiler.numeric_table(df))
print(profiler.cramers_v_matrix(df))
print(profiler.eta_squared_table(df, "mi_columna_objetivo"))

# Informe completo en Markdown
md = report.build_report(df, "mi_dataset", alerts.run_all_checks(df), target=None)
open("informe.md", "w", encoding="utf-8").write(md)

O ejecuta el ejemplo incluido (usa el dataset del Titanic): python example.py

Qué incluye el análisis

Función	Qué devuelve
profiler.overview(df)	Filas, columnas, memoria, faltantes, duplicados
profiler.column_table(df)	Tipo, faltantes, únicos y ejemplos por columna
profiler.numeric_table(df)	describe() ampliado: asimetría, curtosis, outliers IQR
profiler.categorical_table(df)	Cardinalidad, moda y concentración por categórica
profiler.correlation_matrix(df) / top_correlations	Pearson y ranking de pares
profiler.cramers_v_matrix(df)	Asociación entre categóricas
profiler.eta_squared_table(df, target)	Varianza explicada por las clases del objetivo
profiler.pca_summary(df)	Varianza explicada, proyección 2D y cargas
profiler.numeric_stored_as_text(df)	Numéricas atrapadas en columnas de texto
profiler.dates_stored_as_text(df)	Fechas atrapadas en columnas de texto
profiler.duplicate_columns(df)	Pares de columnas idénticas
alerts.run_all_checks(df, target)	Las 12 alertas con recomendaciones
report.build_report(...)	Informe completo en Markdown

Limitaciones

• Pensado para datos tabulares de hasta unos pocos millones de celdas.
• Las alertas son heurísticas con umbrales razonables, no verdades absolutas.
• La detección de tipos mal guardados exige que ≥80% de los valores parseen.

Licencia

MIT