#data Repositories
Entdecke 232 aktive Open-Source-GitHub-Repositories, die mit #data getaggt sind und insgesamt 1,106,761 Sterne gesammelt haben (durchschnittlich 4,770 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist D4Vinci/Scrapling mit 104,760 Sternen.
Insgesamt 232 Repositories
🕷️ Das BESTE Web-Scraping-Framework – für alles von einer einzelnen Anfrage bis hin zu einem umfangreichen Crawl! Nur keine Scheu: Tritt hier bei: https://discord.gg/EMgGbDceNQ und folge uns hier für tägliche Tipps und Tricks: https://x.com/Scrapling_dev
Die '30 Tage Python'-Programmierherausforderung ist eine Schritt-für-Schritt-Anleitung, um die Programmiersprache Python in 30 Tagen zu lernen. Diese Herausforderung kann auch mehr als 100 Tage dauern. Folgen Sie Ihrem eigenen Tempo. Auch diese Videos könnten hilfreich sein: https://www.youtube.com/channel/UC7PNRuno1rzYPb1xLa4yktw
🤖 Leistungsstarkes asynchrones State-Management, Server-State-Tools und Datenabruf für das Web. TS/JS, React Query, Solid Query, Svelte Query und Vue Query.
Das benutzerfreundliche Open-Source-Business-Intelligence- und Embedded-Analytics-Tool, mit dem jeder mit Daten arbeiten kann :bar_chart:
Dies ist ein Repository mit Links zu allem, was Sie jemals über Data Engineering lernen möchten
📗 SheetJS Spreadsheet Data Toolkit -- Neues Zuhause https://git.sheetjs.com/SheetJS/sheetjs
Prefect ist ein Workflow-Orchestrierungs-Framework zum Erstellen robuster Datenpipelines in Python.
Chatten Sie mit Ihrer Datenbank oder Ihrem Datalake (SQL, CSV, Parquet). PandasAI macht Datenanalyse gesprächig mit LLMs und RAG.
AKShare ist eine elegante und einfache Finanzdaten-Schnittstellenbibliothek für Python, die für Menschen gebaut wurde! Open-Source-Finanzdaten-Schnittstellenbibliothek
Open-Source-Datenbewegung für ELT-Pipelines und KI-Agenten — von APIs, Datenbanken und Dateien zu Data Warehouses, Data Lakes und KI-Anwendungen. Sowohl self-hosted als auch Cloud.
Eine kuratierte Liste von großartigen Big-Data-Frameworks, Ressourcen und anderen großartigen Dingen.
PRQL ist eine moderne Sprache für die Datentransformation – ein einfacher, leistungsstarker SQL-Ersatz mit Pipelines.
:card_index: Ein einfacher Fake-Daten-Generator für C#, F# und VB.NET. Basierend auf und portiert von dem berühmten faker.js.
Eine Web-Oberfläche zum Erstellen benutzerdefinierter vektorbasierter Visualisierungen auf dem RAWGraphs-Kern
🧙 Erstellen, ausführen und verwalten Sie Datenpipelines für die Datenintegration und -transformation.
[SIGMOD'27] Einfache Datenaufbereitung mit den neuesten LLM-basierten Operatoren und Pipelines.
Täglich aktualisierte Liste mit Praktika und Stellen für Absolventen im Bereich KI/ML 2027
Datenpipelines für Cloud-Konfigurations- und Sicherheitsdaten. Erstellen Sie Lösungen für Cloud-Asset-Inventarisierung, CSPM, FinOps und Schwachstellenmanagement. Extraktion aus AWS, Azure, GCP und über 70 Cloud- und SaaS-Quellen.
Die Heimat der CUE-Sprache! Textbasierte und dynamische Konfiguration validieren und definieren
Das Data Load Tool (dlt) ist eine Open-Source-Python-Bibliothek, die das Laden von Daten erleichtert 🛠️
Eine Plattform der nächsten Generation für kuratierten Wissensaustausch für Data Scientists und andere technische Berufe.
Edit Banana: Ein Framework zur Konvertierung statistischer Formate in editierbare.
🚀 Glide Data Grid ist ein kompromissloses, unglaublich schnelles React-Datenraster mit reichhaltiger Darstellung, erstklassiger Barrierefreiheit und vollständiger TypeScript-Unterstützung.
Superduper: End-to-End-Framework zum Erstellen benutzerdefinierter KI-Anwendungen und -Agenten.
CKAN ist ein Open-Source-DMS (Data-Management-System) zur Bereitstellung von Data-Hubs und Data-Portalen. CKAN macht es einfach, Daten zu veröffentlichen, zu teilen und zu nutzen. Es betreibt catalog.data.gov, open.canada.ca/data, data.humdata.org unter vielen anderen Websites.
Mimesis ist eine Python-Bibliothek zum Generieren von gefälschten, aber realistischen Daten in verschiedenen Sprachen und Gebietsschemas.
DeepAnalyze ist das erste agentische LLM für autonome Datenwissenschaft. 🎈 Ihr KI-Datenanalyst, der automatisch große Datenmengen analysiert und professionelle Analyseberichte mit einem Klick erstellt!
TFDS ist eine Sammlung von Datensätzen, die für die Verwendung mit TensorFlow, Jax, ... bereit sind.
Smarter YAML-Front-Matter-Parser, verwendet von metalsmith, Gatsby, Netlify, Assemble, mapbox-gl, phenomic, vuejs vitepress, TinaCMS, Shopify Polaris, Ant Design, Astro, hashicorp, garden, slidev, saber, sourcegraph und vielen anderen. Einfach zu bedienen und praxiserprobt. Parst standardmäßig YAML, kann aber auch JSON Front Matter, Coffee Front Matter, TOML Front Matter parsen und unterstützt benutzerdefinierte Parser. Bitte folgen Sie dem Autor von gray-matter: https://github.com/jonschlinkert
RAG (Retrieval Augmented Generation) Framework zum Erstellen modularer Open-Source-Anwendungen für die Produktion von TrueFoundry
Preswald ist ein WASM-Packager für interaktive Python-basierte Datenanwendungen: Bündeln Sie vollständige komplexe Daten-Workflows, insbesondere Visualisierungen, in einzelne Dateien, die vollständig im Browser ausgeführt werden können, unter Verwendung von Pyodide, DuckDB, Pandas und Plotly, Matplotlib usw. Erstellen Sie Dashboards, Berichte und Notebooks, die offline ausgeführt werden, schnell laden und wie ein Dokument geteilt werden können.
Ein Framework zur Erfassung und Analyse von Vorhersagemarkt-Daten, einschließlich des größten öffentlich verfügbaren Datensatzes von Polymarket- und Kalshi-Marktdaten und Handelsdaten.
Häufig gestellte Fragen
Welches ist das beliebteste #data-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#data-Projekt auf GitHub ist D4Vinci/Scrapling mit 104,760 Sternen. 🕷️ Das BESTE Web-Scraping-Framework – für alles von einer einzelnen Anfrage bis hin zu einem umfangreichen Crawl! Nur keine Scheu: Tritt hier bei: https://discord.gg/EMgGbDceNQ und folge uns hier für tägliche Tipps und Tricks: https://x.com/Scrapling_dev
Welche Programmiersprachen werden in #data-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #data-Projekten auf GitHub sind Python, TypeScript, JavaScript, Rust die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #data-Repositories berechnet?
Wir verfolgen 232 aktive Open-Source-Repositories, die mit #data getaggt sind (500+ Sterne), mit insgesamt 1,106,761 Sternen und durchschnittlich 4,770 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.