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.
- blink_data_lint-0.1.0/.gitignore +223 -0
- blink_data_lint-0.1.0/LICENSE +21 -0
- blink_data_lint-0.1.0/PKG-INFO +216 -0
- blink_data_lint-0.1.0/README.md +185 -0
- blink_data_lint-0.1.0/pyproject.toml +54 -0
- blink_data_lint-0.1.0/src/blink_data_lint/__init__.py +1 -0
- blink_data_lint-0.1.0/src/blink_data_lint/cli.py +105 -0
- blink_data_lint-0.1.0/src/blink_data_lint/core/__init__.py +1 -0
- blink_data_lint-0.1.0/src/blink_data_lint/core/analyzer.py +98 -0
- blink_data_lint-0.1.0/src/blink_data_lint/core/comparison.py +25 -0
- blink_data_lint-0.1.0/src/blink_data_lint/core/detectors.py +143 -0
- blink_data_lint-0.1.0/src/blink_data_lint/core/drift.py +147 -0
- blink_data_lint-0.1.0/src/blink_data_lint/core/duplicates.py +17 -0
- blink_data_lint-0.1.0/src/blink_data_lint/core/models.py +98 -0
- blink_data_lint-0.1.0/src/blink_data_lint/core/roles.py +10 -0
- blink_data_lint-0.1.0/src/blink_data_lint/core/summary.py +12 -0
- blink_data_lint-0.1.0/src/blink_data_lint/io/__init__.py +1 -0
- blink_data_lint-0.1.0/src/blink_data_lint/io/loader.py +49 -0
- blink_data_lint-0.1.0/src/blink_data_lint/io/serializer.py +44 -0
- blink_data_lint-0.1.0/src/blink_data_lint/ui/__init__.py +1 -0
- blink_data_lint-0.1.0/src/blink_data_lint/ui/reporter.py +134 -0
- blink_data_lint-0.1.0/tests/data/sample_dirty.csv +14 -0
- blink_data_lint-0.1.0/tests/test_analyzer.py +84 -0
- blink_data_lint-0.1.0/tests/test_cli.py +66 -0
- blink_data_lint-0.1.0/tests/test_comparison.py +133 -0
- blink_data_lint-0.1.0/tests/test_detectors.py +161 -0
- blink_data_lint-0.1.0/tests/test_drift.py +224 -0
- blink_data_lint-0.1.0/tests/test_duplicates.py +43 -0
- blink_data_lint-0.1.0/tests/test_json_ci.py +268 -0
- blink_data_lint-0.1.0/tests/test_loader.py +63 -0
- blink_data_lint-0.1.0/tests/test_reporter.py +55 -0
- 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."""
|