#data-analysis Repositories
Insgesamt 290 Repositories
OctoSQL ist ein Abfragetool, das es Ihnen ermöglicht, Daten aus mehreren Datenbanken und Dateiformaten mit SQL zu verbinden, zu analysieren und zu transformieren.
Danfo.js ist eine Open-Source-JavaScript-Bibliothek, die hochleistungsfähige, intuitive und einfach zu bedienende Datenstrukturen für die Manipulation und Verarbeitung strukturierter Daten bietet.
DeepAnalyze ist das erste agentische LLM für autonome Datenwissenschaft. 🎈 Ihr KI-Datenanalyst, der automatisch große Datenmengen analysiert und professionelle Analyseberichte mit einem Klick erstellt!
Nächste Generation der automatisierten Plattform für explorative Datenanalyse und Visualisierung.
SQL Translator ist ein Werkzeug zur Umwandlung natürlicher Abfragen in SQL-Code mithilfe künstlicher Intelligenz. Dieses Projekt ist 100% kostenlos und Open Source.
Dashboards und Notebooks an einem Ort. Erstellen Sie leistungsstarke und flexible Dashboards mit Code oder erstellen Sie schöne, Notion-ähnliche Notizbücher und teilen Sie sie mit Ihrem Team.
Sammlung nützlicher Data-Science-Themen zusammen mit Artikeln, Videos und Code
EchoTrace ist ein lokales, sicheres Tool zum Exportieren, Analysieren und Erstellen von Jahresberichten für WeChat-Chat-Aufzeichnungen
Antworten auf 120 häufig gestellte Data-Science-Interviewfragen.
VTable ist nicht nur eine leistungsstarke multidimensionale Datentabellierung, sondern auch ein Gitterkünstler, der Kunst zwischen Zeilen und Spalten schafft.
Wahrscheinlich die beste kuratierte Liste von Data-Science-Software in Python.
🛠 All-in-one webbasiertes IDE, spezialisiert auf Machine Learning und Data Science.
Das offizielle Repository für ROOT: Analyse, Speicherung und Visualisierung von Big Data, wissenschaftlich
Extrahieren Sie Daten aus einer Vielzahl von Internetquellen in einen pandas DataFrame.
Apache DevLake ist eine Open-Source-Plattform für Entwicklerdaten, um fragmentierte Daten aus DevOps-Tools zu erfassen, zu analysieren und zu visualisieren und Einblicke für ingenieurtechnische Exzellenz, Entwicklererfahrung und Community-Wachstum zu gewinnen.
Liste von Tools & Datasets für die Anomalieerkennung in Zeitreihendaten.
ein hervorragendes Machine-Learning-Tool, mit dem Sie Modelle trainieren, testen und verwenden können, ohne Code zu schreiben
Visualisieren und vergleichen Sie Datensätze, Zielwerte und Assoziationen mit einer einzigen Codezeile.
Aufbau-Prozess eines kleinen Finanzwissensgraphen (neo4j / python / cypher / KG)
Deepnote ist ein direkter Ersatz für Jupyter mit einem KI-zentrierten Design, einer eleganten Benutzeroberfläche, neuen Blöcken und nativen Datenintegrationen. Nutzen Sie Python, R und SQL lokal in Ihrer bevorzugten IDE und skalieren Sie dann zur Deepnote Cloud für Echtzeit-Zusammenarbeit, den Deepnote Agent und bereitstellbare Datenanwendungen. https://deepnote.com/
C++ DataFrame für statistische, finanzielle und ML-Analysen in modernem C++
Dieses Projekt ist ein quantitativer Open-Source-Kurs, der den Menschen helfen kann, schnell quantitatives Finanzwissen und die Fähigkeit zur quantitativen Entwicklung mit Python zu erwerben.
100 Datenrätsel für Pandas, von kurz und einfach bis super knifflig (60% vollständig)
Das Repository für den YouTube-Kurs von freeCodeCamp, Algorithmic Trading in Python
Ein einheitlicher Rahmen für datenschutzfreundliche Datenanalyse und maschinelles Lernen
ArcticDB ist eine hochleistungsfähige, serverlose DataFrame-Datenbank, die für das Python Data Science-Ökosystem entwickelt wurde.
Jupyter-Erweiterungen, die Ihnen helfen, Code schneller zu schreiben: Kontextbezogene KI-Unterhaltung, Autovervollständigung und Tabellenkalkulation
Apache Hamilton hilft Datenwissenschaftlern und Ingenieuren, testbare, modulare, selbstdokumentierende Datenflüsse zu definieren, die Abstammung/Rückverfolgung und Metadaten kodieren. Läuft und skaliert überall dort, wo Python läuft.
Vorlesungsunterlagen für Lineare Algebra mit Python. Diese Reihe von Vorlesungsunterlagen führt Sie durch alle wichtigen Konzepte, die das Fundament der Data Science oder fortgeschrittener quantitativer Fähigkeiten bilden. Geeignet für Statistiker/Ökonometriker, quantitative Analysten, Datenwissenschaftler usw., um die Lineare Algebra mit Hilfe von Python-Berechnungen und Visualisierungen schnell aufzufrischen.