blink-data-lint 0.1.0__tar.gz

This diff represents the content of publicly available package versions that have been released to one of the supported registries. The information contained in this diff is provided for informational purposes only and reflects changes between package versions as they appear in their respective public registries.
Files changed (32) hide show
  1. blink_data_lint-0.1.0/.gitignore +223 -0
  2. blink_data_lint-0.1.0/LICENSE +21 -0
  3. blink_data_lint-0.1.0/PKG-INFO +216 -0
  4. blink_data_lint-0.1.0/README.md +185 -0
  5. blink_data_lint-0.1.0/pyproject.toml +54 -0
  6. blink_data_lint-0.1.0/src/blink_data_lint/__init__.py +1 -0
  7. blink_data_lint-0.1.0/src/blink_data_lint/cli.py +105 -0
  8. blink_data_lint-0.1.0/src/blink_data_lint/core/__init__.py +1 -0
  9. blink_data_lint-0.1.0/src/blink_data_lint/core/analyzer.py +98 -0
  10. blink_data_lint-0.1.0/src/blink_data_lint/core/comparison.py +25 -0
  11. blink_data_lint-0.1.0/src/blink_data_lint/core/detectors.py +143 -0
  12. blink_data_lint-0.1.0/src/blink_data_lint/core/drift.py +147 -0
  13. blink_data_lint-0.1.0/src/blink_data_lint/core/duplicates.py +17 -0
  14. blink_data_lint-0.1.0/src/blink_data_lint/core/models.py +98 -0
  15. blink_data_lint-0.1.0/src/blink_data_lint/core/roles.py +10 -0
  16. blink_data_lint-0.1.0/src/blink_data_lint/core/summary.py +12 -0
  17. blink_data_lint-0.1.0/src/blink_data_lint/io/__init__.py +1 -0
  18. blink_data_lint-0.1.0/src/blink_data_lint/io/loader.py +49 -0
  19. blink_data_lint-0.1.0/src/blink_data_lint/io/serializer.py +44 -0
  20. blink_data_lint-0.1.0/src/blink_data_lint/ui/__init__.py +1 -0
  21. blink_data_lint-0.1.0/src/blink_data_lint/ui/reporter.py +134 -0
  22. blink_data_lint-0.1.0/tests/data/sample_dirty.csv +14 -0
  23. blink_data_lint-0.1.0/tests/test_analyzer.py +84 -0
  24. blink_data_lint-0.1.0/tests/test_cli.py +66 -0
  25. blink_data_lint-0.1.0/tests/test_comparison.py +133 -0
  26. blink_data_lint-0.1.0/tests/test_detectors.py +161 -0
  27. blink_data_lint-0.1.0/tests/test_drift.py +224 -0
  28. blink_data_lint-0.1.0/tests/test_duplicates.py +43 -0
  29. blink_data_lint-0.1.0/tests/test_json_ci.py +268 -0
  30. blink_data_lint-0.1.0/tests/test_loader.py +63 -0
  31. blink_data_lint-0.1.0/tests/test_reporter.py +55 -0
  32. blink_data_lint-0.1.0/tests/test_roles.py +64 -0
@@ -0,0 +1,223 @@
1
+ # Byte-compiled / optimized / DLL files
2
+ __pycache__/
3
+ *.py[codz]
4
+ *$py.class
5
+
6
+ # C extensions
7
+ *.so
8
+
9
+ # Distribution / packaging
10
+ .Python
11
+ build/
12
+ develop-eggs/
13
+ dist/
14
+ downloads/
15
+ eggs/
16
+ .eggs/
17
+ lib/
18
+ lib64/
19
+ parts/
20
+ sdist/
21
+ var/
22
+ wheels/
23
+ share/python-wheels/
24
+ *.egg-info/
25
+ .installed.cfg
26
+ *.egg
27
+ MANIFEST
28
+
29
+ # PyInstaller
30
+ # Usually these files are written by a python script from a template
31
+ # before PyInstaller builds the exe, so as to inject date/other infos into it.
32
+ *.manifest
33
+ *.spec
34
+
35
+ # Installer logs
36
+ pip-log.txt
37
+ pip-delete-this-directory.txt
38
+
39
+ # Unit test / coverage reports
40
+ htmlcov/
41
+ .tox/
42
+ .nox/
43
+ .coverage
44
+ .coverage.*
45
+ .cache
46
+ nosetests.xml
47
+ coverage.xml
48
+ *.cover
49
+ *.py.cover
50
+ *.lcov
51
+ .hypothesis/
52
+ .pytest_cache/
53
+ cover/
54
+
55
+ # Translations
56
+ *.mo
57
+ *.pot
58
+
59
+ # Django stuff:
60
+ *.log
61
+ local_settings.py
62
+ db.sqlite3
63
+ db.sqlite3-journal
64
+
65
+ # Flask stuff:
66
+ instance/
67
+ .webassets-cache
68
+
69
+ # Scrapy stuff:
70
+ .scrapy
71
+
72
+ # Sphinx documentation
73
+ docs/_build/
74
+
75
+ # Internal working documentation (local only)
76
+ /docs/
77
+
78
+ # PyBuilder
79
+ .pybuilder/
80
+ target/
81
+
82
+ # Jupyter Notebook
83
+ .ipynb_checkpoints
84
+
85
+ # IPython
86
+ profile_default/
87
+ ipython_config.py
88
+
89
+ # pyenv
90
+ # For a library or package, you might want to ignore these files since the code is
91
+ # intended to run in multiple environments; otherwise, check them in:
92
+ # .python-version
93
+
94
+ # pipenv
95
+ # According to pypa/pipenv#598, it is recommended to include Pipfile.lock in version control.
96
+ # However, in case of collaboration, if having platform-specific dependencies or dependencies
97
+ # having no cross-platform support, pipenv may install dependencies that don't work, or not
98
+ # install all needed dependencies.
99
+ # Pipfile.lock
100
+
101
+ # uv
102
+ # Similar to Pipfile.lock, it is generally recommended to include uv.lock in version control.
103
+ # This is especially recommended for binary packages to ensure reproducibility, and is more
104
+ # commonly ignored for libraries.
105
+ # uv.lock
106
+
107
+ # poetry
108
+ # Similar to Pipfile.lock, it is generally recommended to include poetry.lock in version control.
109
+ # This is especially recommended for binary packages to ensure reproducibility, and is more
110
+ # commonly ignored for libraries.
111
+ # https://python-poetry.org/docs/basic-usage/#commit-your-poetrylock-file-to-version-control
112
+ # poetry.lock
113
+ # poetry.toml
114
+
115
+ # pdm
116
+ # Similar to Pipfile.lock, it is generally recommended to include pdm.lock in version control.
117
+ # pdm recommends including project-wide configuration in pdm.toml, but excluding .pdm-python.
118
+ # https://pdm-project.org/en/latest/usage/project/#working-with-version-control
119
+ # pdm.lock
120
+ # pdm.toml
121
+ .pdm-python
122
+ .pdm-build/
123
+
124
+ # pixi
125
+ # Similar to Pipfile.lock, it is generally recommended to include pixi.lock in version control.
126
+ # pixi.lock
127
+ # Pixi creates a virtual environment in the .pixi directory, just like venv module creates one
128
+ # in the .venv directory. It is recommended not to include this directory in version control.
129
+ .pixi/*
130
+ !.pixi/config.toml
131
+
132
+ # PEP 582; used by e.g. github.com/David-OConnor/pyflow and github.com/pdm-project/pdm
133
+ __pypackages__/
134
+
135
+ # Celery stuff
136
+ celerybeat-schedule*
137
+ celerybeat.pid
138
+
139
+ # Redis
140
+ *.rdb
141
+ *.aof
142
+ *.pid
143
+
144
+ # RabbitMQ
145
+ mnesia/
146
+ rabbitmq/
147
+ rabbitmq-data/
148
+
149
+ # ActiveMQ
150
+ activemq-data/
151
+
152
+ # SageMath parsed files
153
+ *.sage.py
154
+
155
+ # Environments
156
+ .env
157
+ .envrc
158
+ .venv
159
+ env/
160
+ venv/
161
+ ENV/
162
+ env.bak/
163
+ venv.bak/
164
+
165
+ # Spyder project settings
166
+ .spyderproject
167
+ .spyproject
168
+
169
+ # Rope project settings
170
+ .ropeproject
171
+
172
+ # mkdocs/Zensical documentation
173
+ /site
174
+
175
+ # mypy
176
+ .mypy_cache/
177
+ .dmypy.json
178
+ dmypy.json
179
+
180
+ # Pyre type checker
181
+ .pyre/
182
+
183
+ # pytype static type analyzer
184
+ .pytype/
185
+
186
+ # Cython debug symbols
187
+ cython_debug/
188
+
189
+ # PyCharm
190
+ # JetBrains specific template is maintained in a separate JetBrains.gitignore that can
191
+ # be found at https://github.com/github/gitignore/blob/main/Global/JetBrains.gitignore
192
+ # and can be added to the global gitignore or merged into this file. For a more nuclear
193
+ # option (not recommended) you can uncomment the following to ignore the entire idea folder.
194
+ # .idea/
195
+
196
+ # Abstra
197
+ # Abstra is an AI-powered process automation framework.
198
+ # Ignore directories containing user credentials, local state, and settings.
199
+ # Learn more at https://abstra.io/docs
200
+ .abstra/
201
+
202
+ # Visual Studio Code
203
+ # Visual Studio Code specific template is maintained in a separate VisualStudioCode.gitignore that
204
+ # can be found at https://github.com/github/gitignore/blob/main/Global/VisualStudioCode.gitignore
205
+ # and can be added to the global gitignore or merged into this file. However, if you prefer, you
206
+ # could uncomment the following to ignore the entire vscode folder
207
+ # .vscode/
208
+ # Temporary file for partial code execution
209
+ tempCodeRunnerFile.py
210
+
211
+ # Ruff stuff:
212
+ .ruff_cache/
213
+
214
+ # PyPI configuration file
215
+ .pypirc
216
+
217
+ # Marimo
218
+ marimo/_static/
219
+ marimo/_lsp/
220
+ __marimo__/
221
+
222
+ # Streamlit
223
+ .streamlit/secrets.toml
@@ -0,0 +1,21 @@
1
+ MIT License
2
+
3
+ Copyright (c) 2026 Gianni Luigi Messina
4
+
5
+ Permission is hereby granted, free of charge, to any person obtaining a copy
6
+ of this software and associated documentation files (the "Software"), to deal
7
+ in the Software without restriction, including without limitation the rights
8
+ to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
9
+ copies of the Software, and to permit persons to whom the Software is
10
+ furnished to do so, subject to the following conditions:
11
+
12
+ The above copyright notice and this permission notice shall be included in all
13
+ copies or substantial portions of the Software.
14
+
15
+ THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
16
+ IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
17
+ FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
18
+ AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
19
+ LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
20
+ OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
21
+ SOFTWARE.
@@ -0,0 +1,216 @@
1
+ Metadata-Version: 2.5
2
+ Name: blink-data-lint
3
+ Version: 0.1.0
4
+ Summary: Zero-config, read-only data quality diagnostics for CSV and Parquet.
5
+ Project-URL: Homepage, https://github.com/Gianni300x/blink
6
+ Project-URL: Repository, https://github.com/Gianni300x/blink
7
+ Project-URL: Issues, https://github.com/Gianni300x/blink/issues
8
+ Author: Gianni Luigi Messina
9
+ License-Expression: MIT
10
+ License-File: LICENSE
11
+ Keywords: anomaly-detection,cli,csv,data-quality,parquet
12
+ Classifier: Development Status :: 4 - Beta
13
+ Classifier: Environment :: Console
14
+ Classifier: Intended Audience :: Developers
15
+ Classifier: Operating System :: OS Independent
16
+ Classifier: Programming Language :: Python :: 3 :: Only
17
+ Classifier: Programming Language :: Python :: 3.11
18
+ Classifier: Programming Language :: Python :: 3.12
19
+ Classifier: Programming Language :: Python :: 3.13
20
+ Classifier: Programming Language :: Python :: 3.14
21
+ Classifier: Topic :: Scientific/Engineering :: Information Analysis
22
+ Requires-Python: >=3.11
23
+ Requires-Dist: numpy<3,>=2.0
24
+ Requires-Dist: polars<2,>=1.0
25
+ Requires-Dist: rich<15,>=13.9
26
+ Requires-Dist: scikit-learn<2,>=1.5
27
+ Requires-Dist: typer<1,>=0.16
28
+ Provides-Extra: dev
29
+ Requires-Dist: pytest<10,>=8.3; extra == 'dev'
30
+ Description-Content-Type: text/markdown
31
+
32
+ # blink
33
+
34
+ **Un diagnóstico de calidad de datos, a un comando de distancia.**
35
+
36
+ Blink es una herramienta de terminal que analiza archivos CSV y Parquet locales
37
+ y muestra problemas de calidad e indicios de anomalías. No requiere configuración
38
+ previa, no envía datos a servicios externos y no modifica tus archivos.
39
+
40
+ ## Qué hace
41
+
42
+ - Muestra dimensiones y tipos de las columnas.
43
+ - Detecta nulos, NaN, filas duplicadas y columnas constantes.
44
+ - Señala posibles identificadores de texto.
45
+ - Detecta outliers numéricos con IQR.
46
+ - Advierte sobre columnas de texto mayormente numéricas o de fechas con valores incompatibles.
47
+ - Permite analizar anomalías con IsolationForest mediante `--ml`.
48
+ - Compara columnas, tipos y distribuciones con un archivo anterior mediante `--baseline`.
49
+
50
+ Los resultados aparecen en tablas de terminal, con conteos, cobertura y motivos
51
+ cuando un análisis se omite. Son indicios para revisar en contexto.
52
+
53
+ ## Instalación
54
+
55
+ Requiere **Python 3.11 o superior**. Con [uv](https://docs.astral.sh/uv/getting-started/installation/),
56
+ instalá la app en un entorno aislado y comprobá la ayuda:
57
+
58
+ ```bash
59
+ uv tool install blink-data-lint
60
+ blink --help
61
+ ```
62
+
63
+ El paquete se llama **`blink-data-lint`** en PyPI; el comando es **`blink`**.
64
+ Si acabás de instalar uv y la terminal no encuentra `blink`, ejecutá
65
+ `uv tool update-shell` y abrí una terminal nueva.
66
+
67
+ <details>
68
+ <summary>Alternativas: pip o instalación desde el repositorio</summary>
69
+
70
+ Con pip, en macOS/Linux:
71
+
72
+ ```bash
73
+ python3 -m venv .venv
74
+ source .venv/bin/activate
75
+ python -m pip install blink-data-lint
76
+ blink --help
77
+ ```
78
+
79
+ En Windows, desde PowerShell:
80
+
81
+ ```powershell
82
+ py -3 -m venv .venv
83
+ .venv\Scripts\Activate.ps1
84
+ python -m pip install blink-data-lint
85
+ blink --help
86
+ ```
87
+
88
+ Mantené el entorno activo. En una terminal nueva, volvé a activarlo con
89
+ `source .venv/bin/activate` (macOS/Linux) o `.venv\Scripts\Activate.ps1` (Windows).
90
+
91
+ Para trabajar desde el código fuente, necesitás [Git](https://git-scm.com/downloads/):
92
+
93
+ ```bash
94
+ git clone https://github.com/Gianni300x/blink.git
95
+ cd blink
96
+ uv sync
97
+ uv run blink tests/data/sample_dirty.csv
98
+ ```
99
+
100
+ En este caso, usá `uv run blink` en lugar de `blink` en los ejemplos de abajo.
101
+ Con pip desde el repositorio, podés usar `python -m pip install -e .` dentro del
102
+ entorno virtual en lugar de instalar el paquete desde PyPI.
103
+
104
+ </details>
105
+
106
+ ## Uso
107
+
108
+ ```bash
109
+ blink datos.csv
110
+ blink datos.parquet
111
+ ```
112
+
113
+ Reemplazá `datos.csv` o `datos.parquet` por la ruta de tu archivo. Si tiene
114
+ espacios, escribila entre comillas: `blink "mis datos/ventas.csv"`.
115
+
116
+ Para habilitar el análisis con ML:
117
+
118
+ ```bash
119
+ blink datos.csv --ml
120
+ ```
121
+
122
+ Para comparar con un archivo anterior y detectar cambios de columnas, tipos,
123
+ medias, distribuciones o proporción de faltantes:
124
+
125
+ ```bash
126
+ blink datos.csv --baseline anterior.csv
127
+ ```
128
+
129
+ Ambos archivos pueden ser CSV o Parquet. Se comparan columnas por nombre;
130
+ un cambio de orden no genera un aviso. Los valores se comparan de forma agregada,
131
+ sin emparejar filas. La salida muestra las métricas, umbrales y cobertura.
132
+
133
+ Para consultar la ayuda:
134
+
135
+ ```bash
136
+ blink --help
137
+ ```
138
+
139
+ Para desactivar los colores en macOS/Linux: `NO_COLOR=1 blink datos.csv`.
140
+
141
+ ## Límites de uso
142
+
143
+ - Archivos locales CSV o Parquet que entren en memoria. CSV requiere UTF-8,
144
+ comas y una primera fila de cabecera; no se adivinan otros separadores.
145
+ - IQR necesita al menos 10 valores numéricos finitos. Si el rango intercuartílico
146
+ es cero, se omite el detector y se indica el motivo.
147
+ - Los tipos rotos requieren al menos 10 textos no vacíos y una mayoría ≥90 %
148
+ de números finitos o fechas válidas `YYYY-MM-DD`. No se interpretan fechas
149
+ locales como `01/02/2026`.
150
+ - ML necesita al menos 32 filas completas y finitas en sus columnas numéricas
151
+ elegibles. Si hay más de 32 columnas elegibles, se omite. Evalúa hasta 10.000
152
+ filas; por encima toma una muestra y muestra su cobertura, sin extrapolar conteos.
153
+ - Nombres como `VendorID`, `PULocationID`, `payment_type` o `codigo_postal`
154
+ indican posibles códigos o etiquetas. Se omiten de IQR y ML; al comparar
155
+ archivos se usan frecuencias, no medias o distancias numéricas. Es una
156
+ heurística por nombre y se informa como tal; no demuestra una clave primaria.
157
+ - Una anomalía es un indicio, no una prueba de error. Un análisis omitido tampoco
158
+ equivale a un resultado sin problemas. Revisá los motivos que muestra la salida.
159
+ - La comparación de valores requiere tipos idénticos y al menos 100 observaciones
160
+ elegibles por archivo. Avisa si la media se desplaza ≥0.5 desviaciones estándar
161
+ del archivo anterior, la distancia de distribución es ≥0.2 (KS en números o
162
+ variación total en categorías), o los faltantes cambian ≥10 puntos porcentuales.
163
+ Son umbrales de revisión; no son pruebas de significación estadística.
164
+ Con desviación anterior cero se omite la comparación de medias, pero se compara
165
+ la distribución. Las categorías se limitan a 50 valores distintos entre ambos
166
+ archivos; IDs/texto libre y tipos no compatibles pueden omitir ese análisis.
167
+
168
+ ## Integración con otros programas y CI
169
+
170
+ El uso habitual sigue siendo `blink archivo.csv`. Si necesitás un informe para
171
+ otro programa, agregá `--json`:
172
+
173
+ ```bash
174
+ blink datos.csv --json > informe.json
175
+ ```
176
+
177
+ Para hacer fallar una validación automatizada cuando aparezcan avisos:
178
+
179
+ ```bash
180
+ blink datos.csv --json --exit-code > informe.json
181
+ ```
182
+
183
+ También podés combinarlo con `--baseline anterior.csv` y `--ml`. En un paso de CI,
184
+ el código de salida determina si continúa o falla la validación:
185
+
186
+ | Código | Significado |
187
+ | --- | --- |
188
+ | `0` | Inspección completada; sin `--exit-code`, los avisos también devuelven `0`. |
189
+ | `1` | Hay avisos y se activó `--exit-code`. |
190
+ | `2` | Error de uso, lectura o análisis, con o sin `--exit-code`. |
191
+
192
+ Si preferís ver las tablas en el log de CI, usá `--exit-code` sin `--json`.
193
+
194
+ Se consideran avisos los hallazgos de calidad, cambios de esquema y métricas de
195
+ drift que superan su umbral. Los posibles IDs informativos y los análisis omitidos
196
+ no hacen fallar CI por sí solos. Dos métricas alertadas en una columna cuentan
197
+ como dos avisos. Un aviso sigue siendo un indicio para revisar en contexto.
198
+
199
+ El JSON usa `schema_version: "1.0"` e incluye `analysis`, `comparison`, `summary`,
200
+ `error` y `exit_code`, además de los archivos y políticas de lectura en `sources`.
201
+ `status: "completed"` indica que la ejecución terminó, no que todos los datos sean
202
+ correctos. Cada detector indica `completed` o `skipped` y su cobertura. Los
203
+ errores de lectura/análisis generan `status: "error"` y un diagnóstico por stderr,
204
+ sin informe parcial. Los errores de sintaxis del comando se muestran por stderr
205
+ sin generar un documento JSON; comprobá siempre el código de salida.
206
+
207
+ Si clonaste el repositorio, podés reproducir un fallo de validación con su CSV de ejemplo:
208
+
209
+ ```bash
210
+ blink tests/data/sample_dirty.csv --json --exit-code > informe.json
211
+ ```
212
+
213
+ Este ejemplo devuelve `1` porque contiene problemas conocidos; el informe JSON
214
+ queda disponible para revisar los avisos.
215
+
216
+ Licencia [MIT](https://github.com/Gianni300x/blink/blob/main/LICENSE).
@@ -0,0 +1,185 @@
1
+ # blink
2
+
3
+ **Un diagnóstico de calidad de datos, a un comando de distancia.**
4
+
5
+ Blink es una herramienta de terminal que analiza archivos CSV y Parquet locales
6
+ y muestra problemas de calidad e indicios de anomalías. No requiere configuración
7
+ previa, no envía datos a servicios externos y no modifica tus archivos.
8
+
9
+ ## Qué hace
10
+
11
+ - Muestra dimensiones y tipos de las columnas.
12
+ - Detecta nulos, NaN, filas duplicadas y columnas constantes.
13
+ - Señala posibles identificadores de texto.
14
+ - Detecta outliers numéricos con IQR.
15
+ - Advierte sobre columnas de texto mayormente numéricas o de fechas con valores incompatibles.
16
+ - Permite analizar anomalías con IsolationForest mediante `--ml`.
17
+ - Compara columnas, tipos y distribuciones con un archivo anterior mediante `--baseline`.
18
+
19
+ Los resultados aparecen en tablas de terminal, con conteos, cobertura y motivos
20
+ cuando un análisis se omite. Son indicios para revisar en contexto.
21
+
22
+ ## Instalación
23
+
24
+ Requiere **Python 3.11 o superior**. Con [uv](https://docs.astral.sh/uv/getting-started/installation/),
25
+ instalá la app en un entorno aislado y comprobá la ayuda:
26
+
27
+ ```bash
28
+ uv tool install blink-data-lint
29
+ blink --help
30
+ ```
31
+
32
+ El paquete se llama **`blink-data-lint`** en PyPI; el comando es **`blink`**.
33
+ Si acabás de instalar uv y la terminal no encuentra `blink`, ejecutá
34
+ `uv tool update-shell` y abrí una terminal nueva.
35
+
36
+ <details>
37
+ <summary>Alternativas: pip o instalación desde el repositorio</summary>
38
+
39
+ Con pip, en macOS/Linux:
40
+
41
+ ```bash
42
+ python3 -m venv .venv
43
+ source .venv/bin/activate
44
+ python -m pip install blink-data-lint
45
+ blink --help
46
+ ```
47
+
48
+ En Windows, desde PowerShell:
49
+
50
+ ```powershell
51
+ py -3 -m venv .venv
52
+ .venv\Scripts\Activate.ps1
53
+ python -m pip install blink-data-lint
54
+ blink --help
55
+ ```
56
+
57
+ Mantené el entorno activo. En una terminal nueva, volvé a activarlo con
58
+ `source .venv/bin/activate` (macOS/Linux) o `.venv\Scripts\Activate.ps1` (Windows).
59
+
60
+ Para trabajar desde el código fuente, necesitás [Git](https://git-scm.com/downloads/):
61
+
62
+ ```bash
63
+ git clone https://github.com/Gianni300x/blink.git
64
+ cd blink
65
+ uv sync
66
+ uv run blink tests/data/sample_dirty.csv
67
+ ```
68
+
69
+ En este caso, usá `uv run blink` en lugar de `blink` en los ejemplos de abajo.
70
+ Con pip desde el repositorio, podés usar `python -m pip install -e .` dentro del
71
+ entorno virtual en lugar de instalar el paquete desde PyPI.
72
+
73
+ </details>
74
+
75
+ ## Uso
76
+
77
+ ```bash
78
+ blink datos.csv
79
+ blink datos.parquet
80
+ ```
81
+
82
+ Reemplazá `datos.csv` o `datos.parquet` por la ruta de tu archivo. Si tiene
83
+ espacios, escribila entre comillas: `blink "mis datos/ventas.csv"`.
84
+
85
+ Para habilitar el análisis con ML:
86
+
87
+ ```bash
88
+ blink datos.csv --ml
89
+ ```
90
+
91
+ Para comparar con un archivo anterior y detectar cambios de columnas, tipos,
92
+ medias, distribuciones o proporción de faltantes:
93
+
94
+ ```bash
95
+ blink datos.csv --baseline anterior.csv
96
+ ```
97
+
98
+ Ambos archivos pueden ser CSV o Parquet. Se comparan columnas por nombre;
99
+ un cambio de orden no genera un aviso. Los valores se comparan de forma agregada,
100
+ sin emparejar filas. La salida muestra las métricas, umbrales y cobertura.
101
+
102
+ Para consultar la ayuda:
103
+
104
+ ```bash
105
+ blink --help
106
+ ```
107
+
108
+ Para desactivar los colores en macOS/Linux: `NO_COLOR=1 blink datos.csv`.
109
+
110
+ ## Límites de uso
111
+
112
+ - Archivos locales CSV o Parquet que entren en memoria. CSV requiere UTF-8,
113
+ comas y una primera fila de cabecera; no se adivinan otros separadores.
114
+ - IQR necesita al menos 10 valores numéricos finitos. Si el rango intercuartílico
115
+ es cero, se omite el detector y se indica el motivo.
116
+ - Los tipos rotos requieren al menos 10 textos no vacíos y una mayoría ≥90 %
117
+ de números finitos o fechas válidas `YYYY-MM-DD`. No se interpretan fechas
118
+ locales como `01/02/2026`.
119
+ - ML necesita al menos 32 filas completas y finitas en sus columnas numéricas
120
+ elegibles. Si hay más de 32 columnas elegibles, se omite. Evalúa hasta 10.000
121
+ filas; por encima toma una muestra y muestra su cobertura, sin extrapolar conteos.
122
+ - Nombres como `VendorID`, `PULocationID`, `payment_type` o `codigo_postal`
123
+ indican posibles códigos o etiquetas. Se omiten de IQR y ML; al comparar
124
+ archivos se usan frecuencias, no medias o distancias numéricas. Es una
125
+ heurística por nombre y se informa como tal; no demuestra una clave primaria.
126
+ - Una anomalía es un indicio, no una prueba de error. Un análisis omitido tampoco
127
+ equivale a un resultado sin problemas. Revisá los motivos que muestra la salida.
128
+ - La comparación de valores requiere tipos idénticos y al menos 100 observaciones
129
+ elegibles por archivo. Avisa si la media se desplaza ≥0.5 desviaciones estándar
130
+ del archivo anterior, la distancia de distribución es ≥0.2 (KS en números o
131
+ variación total en categorías), o los faltantes cambian ≥10 puntos porcentuales.
132
+ Son umbrales de revisión; no son pruebas de significación estadística.
133
+ Con desviación anterior cero se omite la comparación de medias, pero se compara
134
+ la distribución. Las categorías se limitan a 50 valores distintos entre ambos
135
+ archivos; IDs/texto libre y tipos no compatibles pueden omitir ese análisis.
136
+
137
+ ## Integración con otros programas y CI
138
+
139
+ El uso habitual sigue siendo `blink archivo.csv`. Si necesitás un informe para
140
+ otro programa, agregá `--json`:
141
+
142
+ ```bash
143
+ blink datos.csv --json > informe.json
144
+ ```
145
+
146
+ Para hacer fallar una validación automatizada cuando aparezcan avisos:
147
+
148
+ ```bash
149
+ blink datos.csv --json --exit-code > informe.json
150
+ ```
151
+
152
+ También podés combinarlo con `--baseline anterior.csv` y `--ml`. En un paso de CI,
153
+ el código de salida determina si continúa o falla la validación:
154
+
155
+ | Código | Significado |
156
+ | --- | --- |
157
+ | `0` | Inspección completada; sin `--exit-code`, los avisos también devuelven `0`. |
158
+ | `1` | Hay avisos y se activó `--exit-code`. |
159
+ | `2` | Error de uso, lectura o análisis, con o sin `--exit-code`. |
160
+
161
+ Si preferís ver las tablas en el log de CI, usá `--exit-code` sin `--json`.
162
+
163
+ Se consideran avisos los hallazgos de calidad, cambios de esquema y métricas de
164
+ drift que superan su umbral. Los posibles IDs informativos y los análisis omitidos
165
+ no hacen fallar CI por sí solos. Dos métricas alertadas en una columna cuentan
166
+ como dos avisos. Un aviso sigue siendo un indicio para revisar en contexto.
167
+
168
+ El JSON usa `schema_version: "1.0"` e incluye `analysis`, `comparison`, `summary`,
169
+ `error` y `exit_code`, además de los archivos y políticas de lectura en `sources`.
170
+ `status: "completed"` indica que la ejecución terminó, no que todos los datos sean
171
+ correctos. Cada detector indica `completed` o `skipped` y su cobertura. Los
172
+ errores de lectura/análisis generan `status: "error"` y un diagnóstico por stderr,
173
+ sin informe parcial. Los errores de sintaxis del comando se muestran por stderr
174
+ sin generar un documento JSON; comprobá siempre el código de salida.
175
+
176
+ Si clonaste el repositorio, podés reproducir un fallo de validación con su CSV de ejemplo:
177
+
178
+ ```bash
179
+ blink tests/data/sample_dirty.csv --json --exit-code > informe.json
180
+ ```
181
+
182
+ Este ejemplo devuelve `1` porque contiene problemas conocidos; el informe JSON
183
+ queda disponible para revisar los avisos.
184
+
185
+ Licencia [MIT](https://github.com/Gianni300x/blink/blob/main/LICENSE).
@@ -0,0 +1,54 @@
1
+ [build-system]
2
+ requires = ["hatchling>=1.27,<2"]
3
+ build-backend = "hatchling.build"
4
+
5
+ [project]
6
+ name = "blink-data-lint"
7
+ version = "0.1.0"
8
+ description = "Zero-config, read-only data quality diagnostics for CSV and Parquet."
9
+ readme = "README.md"
10
+ requires-python = ">=3.11"
11
+ license = "MIT"
12
+ license-files = ["LICENSE"]
13
+ authors = [{name = "Gianni Luigi Messina"}]
14
+ keywords = ["data-quality", "csv", "parquet", "cli", "anomaly-detection"]
15
+ classifiers = [
16
+ "Development Status :: 4 - Beta",
17
+ "Environment :: Console",
18
+ "Intended Audience :: Developers",
19
+ "Operating System :: OS Independent",
20
+ "Programming Language :: Python :: 3 :: Only",
21
+ "Programming Language :: Python :: 3.11",
22
+ "Programming Language :: Python :: 3.12",
23
+ "Programming Language :: Python :: 3.13",
24
+ "Programming Language :: Python :: 3.14",
25
+ "Topic :: Scientific/Engineering :: Information Analysis",
26
+ ]
27
+ dependencies = [
28
+ "polars>=1.0,<2",
29
+ "numpy>=2.0,<3",
30
+ "scikit-learn>=1.5,<2",
31
+ "typer>=0.16,<1",
32
+ "rich>=13.9,<15",
33
+ ]
34
+
35
+ [project.optional-dependencies]
36
+ dev = ["pytest>=8.3,<10"]
37
+
38
+ [project.scripts]
39
+ blink = "blink_data_lint.cli:app"
40
+
41
+ [project.urls]
42
+ Homepage = "https://github.com/Gianni300x/blink"
43
+ Repository = "https://github.com/Gianni300x/blink"
44
+ Issues = "https://github.com/Gianni300x/blink/issues"
45
+
46
+ [tool.hatch.build.targets.wheel]
47
+ packages = ["src/blink_data_lint"]
48
+
49
+ [tool.hatch.build.targets.sdist]
50
+ include = ["/src", "/tests", "/pyproject.toml", "/README.md", "/LICENSE"]
51
+
52
+ [tool.pytest.ini_options]
53
+ testpaths = ["tests"]
54
+ addopts = "-ra"
@@ -0,0 +1 @@
1
+ """blink: diagnóstico de datos tabulares desde la terminal."""