Esta skill proporciona patrones prácticos para que el procesamiento de datos con pandas sea más rápido, eficiente en memoria y más robusto. Las característ…
Esta skill proporciona patrones prácticos para que el procesamiento de datos con pandas sea más rápido, eficiente en memoria y más robusto. Las características clave incluyen elegir dtypes apropiados (por ejemplo, float32 en lugar de float64 y pandas.Categorical para cadenas repetidas) para reducir drásticamente el uso de memoria (a menudo ~50%), procesar CSV grandes por bloques con read_csv(chunksize) para evitar OOM (agotamiento de memoria), y preferir operaciones vectorizadas y NumPy en lugar de bucles en Python siempre que sea posible para obtener cálculos mucho más rápidos. También aborda el uso de índices para series temporales (índice datetime, corte rápido, remuestreo) y comprobaciones básicas de validación de datos antes del procesamiento para detectar valores faltantes o inválidos. Casos de uso: pipelines ETL, preprocesado para machine learning, análisis de series temporales y cualquier flujo de trabajo tabular a gran escala donde el rendimiento y la escalabilidad son críticos.
Esta página forma parte del hub OpenClaw Skills con guías de instalación, categorías y enlaces prácticos.