Esta Skill integra Sweetviz en canalizaciones de datos ETL/ML para producir informes de perfilado HTML automatizados y con marca de tiempo para las distint…
Esta Skill integra Sweetviz en canalizaciones de datos ETL/ML para producir informes de perfilado HTML automatizados y con marca de tiempo para las distintas etapas de la canalización. Proporciona una clase DataPipelineProfiler que crea análisis de etapa única (sv.analyze) o informes de comparación antes/después (sv.compare) cuando se proporciona un DataFrame previo. Los informes se guardan en un directorio de salida configurable con nombres de archivo únicos, ofrecen análisis opcional consciente del objetivo (target_col) y registro básico para trazabilidad. Los casos de uso típicos incluyen EDA automatizada durante el entrenamiento de modelos, comprobaciones de calidad de datos, detección de deriva entre etapas de la canalización, QA de transformaciones y generación de visuales listos para auditoría para las partes interesadas. Las ventajas principales son conocimientos visuales reproducibles y consistentes; detección rápida de cambios en distribuciones y problemas de características; fácil integración en canalizaciones por lotes o CI/CD; y el mínimo código necesario para añadir perfilado a flujos de datos existentes.
Esta página forma parte del hub OpenClaw Skills con guías de instalación, categorías y enlaces prácticos.