Git Stars Git Stars

#data-cleaning Repositorios

Descubre 33 repositorios activos de código abierto de GitHub etiquetados con #data-cleaning, que acumulan 83,468 estrellas en total (una media de 2,529 estrellas por proyecto). El líder de este tema es cleanlab/cleanlab, con 11,755 estrellas.

33
Total de Repositorios
83,468
Total de estrellas
2,529
Promedio de Estrellas/Repo

33 repositorios en total

1
cleanlab/cleanlab

La biblioteca de código abierto de Cleanlab es el paquete estándar de IA centrado en datos para la calidad de datos y el aprendizaje automático con datos y etiquetas desordenados del mundo real.

cleanlab
⭐ 11,755 Python 👤 cleanlab Organization 🕐 Actualizado 2026-01-13 📅 Creado 2018-05-11
2
voxel51/fiftyone

Refinar conjuntos de datos de alta calidad y modelos de IA visual

voxel51
⭐ 11,324 TypeScript 👤 voxel51 Organization 🕐 Actualizado 2026-11-21 📅 Creado 2020-04-22
3
johnkerl/miller

Miller es como awk, sed, cut, join y sort para datos indexados por nombre como CSV, TSV y JSON tabular.

johnkerl
⭐ 10,069 Go 👤 johnkerl User 🕐 Actualizado 2026-11-20 📅 Creado 2015-05-03
4
OpenDCAI/DataFlow

[SIGMOD'27] Preparación sencilla de datos con los operadores y pipelines más recientes basados en LLM.

OpenDCAI
⭐ 8,650 Python 👤 OpenDCAI Organization 🕐 Actualizado 2026-11-18 📅 Creado 2024-10-13
5
jvns/pandas-cookbook

Recetas para usar la biblioteca pandas de Python

jvns
⭐ 6,988 Jupyter Notebook 👤 jvns User 🕐 Actualizado 2024-10-24 📅 Creado 2013-12-21
6
unionai-oss/pandera

Una biblioteca ligera, flexible y expresiva para pruebas de datos estadísticos

unionai-oss
⭐ 4,532 Python 👤 unionai-oss Organization 🕐 Actualizado 2026-11-19 📅 Creado 2018-11-01
7
seatgeek/thefuzz

Coincidencia aproximada de cadenas en Python

seatgeek
⭐ 3,629 Python 👤 seatgeek Organization 🕐 Actualizado 2025-03-03 📅 Creado 2021-03-05
8
justmarkham/pandas-videos

Cuaderno Jupyter y conjuntos de datos de la serie de videos de pandas

justmarkham
⭐ 2,249 Jupyter Notebook 👤 justmarkham User 🕐 Actualizado 2024-03-05 📅 Creado 2016-03-31
9
mahavivo/english-wordlists

Lista de vocabulario inglés común

mahavivo
⭐ 2,205 👤 mahavivo User 🕐 Actualizado 2024-05-11 📅 Creado 2017-12-30
10
skrub-data/skrub

Aprendizaje automático con dataframes

skrub-data
⭐ 1,670 Python 👤 skrub-data Organization 🕐 Actualizado 2026-11-20 📅 Creado 2018-03-12
11
justmarkham/DAT8

Curso de Data Science de General Assembly 2015 en Washington, DC

justmarkham
⭐ 1,622 Jupyter Notebook 👤 justmarkham User 🕐 Actualizado 2024-06-05 📅 Creado 2015-08-07
12
hi-primus/optimus

:truck: Flujos de trabajo de preparación de datos ágiles hechos fáciles con Pandas, Dask, cuDF, Dask-cuDF, Vaex y PySpark

hi-primus
⭐ 1,539 Python 👤 hi-primus Organization 🕐 Actualizado 2024-12-02 📅 Creado 2017-07-13
13
sfirke/janitor

Herramientas simples para la limpieza de datos en R

sfirke
⭐ 1,461 R 👤 sfirke User 🕐 Actualizado 2026-11-20 📅 Creado 2016-04-12
14
data-forge/data-forge-ts

El kit de herramientas de transformación y análisis de datos en JavaScript inspirado en Pandas y LINQ.

data-forge
⭐ 1,392 TypeScript 👤 data-forge Organization 🕐 Actualizado 2026-10-26 📅 Creado 2017-11-27
15
datawhalechina/hands-on-data-analysis

Aprender análisis de datos de forma práctica centrado en proyectos, con puntos de conocimiento integrados, para lograr mejores resultados de aprendizaje a través del aprendizaje, la práctica y la guía

datawhalechina
⭐ 1,375 Jupyter Notebook 👤 datawhalechina Organization 🕐 Actualizado 2024-05-29 📅 Creado 2020-07-14
16
weiruihhh/cs336_note_and_hw

Registrar mis apuntes y tareas mientras estudio en cs336.

weiruihhh
⭐ 1,305 Python 👤 weiruihhh User 🕐 Actualizado 2026-10-10 📅 Creado 2025-06-01
17
DataWithBaraa/sql-data-warehouse-project

Crea un almacén de datos en SQL Server a partir de dos sistemas de origen, un CRM y un ERP, pasando por las capas bronze, silver y gold. Archivos y scripts del proyecto completo y gratuito.

DataWithBaraa
⭐ 1,089 TSQL 👤 DataWithBaraa User 🕐 Actualizado 2026-11-06 📅 Creado 2024-12-30
18
ECNU-ICALK/EduChat

Un modelo de chat educativo de código abierto de ICALK, East China Normal University. Gran modelo de diálogo educativo chino-inglés de código abierto. (Modelo base universal, implementación en GPU, limpieza de datos) Homenaje a: LLaMA, MOSS, BELLE, Ziya, vLLM

ECNU-ICALK
⭐ 952 Jupyter Notebook 👤 ECNU-ICALK Organization 🕐 Actualizado 2025-07-18 📅 Creado 2023-06-26
19
PacktPublishing/Hands-on-Exploratory-Data-Analysis-with-Python

Análisis Exploratorio de Datos Práctico con Python, publicado por Packt

PacktPublishing
⭐ 921 Jupyter Notebook 👤 PacktPublishing Organization 🕐 Actualizado 2026-07-05 📅 Creado 2019-10-07
20
HKUSTDial/awesome-data-agents

Lista de artículos continuamente actualizada sobre avances en Data Agents. Repositorio compañero de nuestro artículo "A Survey of Data Agents: Emerging Paradigm or Overstated Hype?"

HKUSTDial
⭐ 804 Python 👤 HKUSTDial Organization 🕐 Actualizado 2026-11-08 📅 Creado 2025-08-31
21
JakeBayer/FuzzySharp

Implementación en C# .NET de la coincidencia de cadenas difusa del algoritmo Python FuzzyWuzzy bien conocido de Seat Geek.

JakeBayer
⭐ 776 C# 👤 JakeBayer User 🕐 Actualizado 2024-08-20 📅 Creado 2018-04-10
22
JulietMirambo/Units_of_Measure_Harmonization-intelligence-platform

Sistema de ML de calidad de producción para la detección automatizada de errores de unidad de medida | Precisión del 88-92% | Autonomía del 94% | Flujo de trabajo KNIME

JulietMirambo
⭐ 732 PowerShell 👤 JulietMirambo User 🕐 Actualizado 2026-05-21 📅 Creado 2025-10-20
23
derek73/python-nameparser

Analiza los nombres de personas y separa el tratamiento, el nombre, el segundo nombre, los apellidos, el sufijo, el apodo y el apellido de soltera. Con tipado, sin dependencias y compatible con caracteres CJK.

derek73
⭐ 721 Python 👤 derek73 User 🕐 Actualizado 2026-11-21 📅 Creado 2014-04-02
24
saddamskst/Skill-Course-10x

Esta herramienta ha sido desarrollada por Md Saddam (YT-Saddam Tech).

saddamskst
⭐ 652 👤 saddamskst User 🕐 Actualizado 2024-12-29 📅 Creado 2024-12-15
25
TheEconomist/covid-19-excess-deaths-tracker

Código fuente y datos para el rastreador de muertes excesivas por COVID-19 de The Economist

TheEconomist
⭐ 646 R 👤 TheEconomist Organization 🕐 Actualizado 2026-11-18 📅 Creado 2020-05-15
26
lgreski/datasciencectacontent

Repositorio para contenido de Community Mentor relacionado con la Especialización en Data Science de la Universidad Johns Hopkins en Coursera

lgreski
⭐ 640 HTML 👤 lgreski User 🕐 Actualizado 2026-06-07 📅 Creado 2015-10-29
27
vber/free-augmentcode

Para el plugin de VSCode AugmentCode con recargas ilimitadas. Una herramienta que te permite usar el plugin de VSCode AugmentCode de forma indefinida.

vber
⭐ 621 Python 👤 vber User 🕐 Actualizado 2025-08-11 📅 Creado 2025-05-29
28
zsylvester/segmenteverygrain

Un modelo basado en SAM para la segmentación de instancias de imágenes de granos

zsylvester
⭐ 562 Jupyter Notebook 👤 zsylvester User 🕐 Actualizado 2026-11-01 📅 Creado 2023-05-25
29
longshotlabs/simpl-schema

Un paquete de validación de esquemas de JavaScript que admite la validación directa de objetos modificadores de actualización de MongoDB

longshotlabs
⭐ 559 TypeScript 👤 longshotlabs Organization 🕐 Actualizado 2026-10-27 📅 Creado 2016-07-01
30
akanz1/klib

Biblioteca Python fácil de usar con funciones personalizadas para limpiar y analizar datos.

akanz1
⭐ 523 Python 👤 akanz1 User 🕐 Actualizado 2026-10-28 📅 Creado 2020-03-25
31
Desbordante/desbordante-core

Desbordante es un perfilador de datos de alto rendimiento capaz de descubrir muchos patrones diferentes en los datos mediante diversos algoritmos. También permite ejecutar escenarios de limpieza de datos utilizando estos algoritmos. Desbordante cuenta con una versión de consola y una aplicación web fácil de usar.

Desbordante
⭐ 522 C++ 👤 Desbordante Organization 🕐 Actualizado 2026-11-17 📅 Creado 2020-04-09
32
koaning/doubtlab

Dude de sus datos, encuentre etiquetas incorrectas.

koaning
⭐ 517 Python 👤 koaning User 🕐 Actualizado 2024-07-15 📅 Creado 2021-11-05
33
schema-inspector/schema-inspector

Schema-Inspector es un módulo simple de saneamiento y validación de objetos JavaScript.

schema-inspector
⭐ 503 JavaScript 👤 schema-inspector Organization 🕐 Actualizado 2026-10-05 📅 Creado 2014-01-02

Preguntas frecuentes

1

¿Cuál es el repositorio de #data-cleaning más popular en GitHub?

El proyecto de código abierto de #data-cleaning mejor posicionado en GitHub es cleanlab/cleanlab, con 11,755 estrellas. La biblioteca de código abierto de Cleanlab es el paquete estándar de IA centrado en datos para la calidad de datos y el aprendizaje automático con datos y etiquetas desordenados del mundo real.

2

¿Qué lenguajes de programación se utilizan más en los repositorios de #data-cleaning?

Entre los proyectos de #data-cleaning mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, TypeScript, R.

3

¿Cómo se calcula la clasificación de los repositorios de #data-cleaning?

Seguimos 33 repositorios activos de código abierto etiquetados con #data-cleaning (500+ estrellas), que suman un total de 83,468 estrellas, con una media de 2,529 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.