Git Stars Git Stars

#data-preprocessing Repositorios

Descubre 34 repositorios activos de código abierto de GitHub etiquetados con #data-preprocessing, que acumulan 83,063 estrellas en total (una media de 2,443 estrellas por proyecto). El líder de este tema es openai/tiktoken, con 19,698 estrellas.

34
Total de Repositorios
83,063
Total de estrellas
2,443
Promedio de Estrellas/Repo

34 repositorios en total

1
openai/tiktoken

tiktoken es un tokenizador BPE rápido para usar con los modelos de OpenAI.

openai
⭐ 19,698 Python 👤 openai Organization 🕐 Actualizado 2026-11-08 📅 Creado 2022-12-01
2
dwyl/english-words

:memo: Un archivo de texto que contiene 479k palabras en inglés para todos tus proyectos basados en diccionarios/palabras, por ejemplo: autocompletar / autosugerir

dwyl
⭐ 12,122 Python 👤 dwyl Organization 🕐 Actualizado 2025-01-06 📅 Creado 2014-07-13
3
sjwhitworth/golearn

Machine Learning para Go

sjwhitworth
⭐ 9,455 Go 👤 sjwhitworth User 🕐 Actualizado 2024-01-15 📅 Creado 2013-12-26
5
TommyZihao/Train_Custom_Dataset

Anotar sus propios conjuntos de datos, entrenar, evaluar, probar e implementar sus propios algoritmos de inteligencia artificial

TommyZihao
⭐ 4,132 Jupyter Notebook 👤 TommyZihao User 🕐 Actualizado 2026-01-07 📅 Creado 2022-07-23
6
rspeer/python-ftfy

Corrige el mojibake y otros fallos en texto Unicode, a posteriori.

rspeer
⭐ 4,004 Python 👤 rspeer User 🕐 Actualizado 2024-10-30 📅 Creado 2012-08-24
7
The-Japan-DataScientist-Society/100knocks-preprocess

100 Knockouts de Ciencia de Datos (Procesamiento de Datos Estructurados)

The-Japan-DataScientist-Society
⭐ 2,536 HTML 👤 The-Japan-DataScientist-Society Organization 🕐 Actualizado 2026-11-11 📅 Creado 2020-05-28
8
scikit-learn-contrib/category_encoders

Una biblioteca de codificadores de variables categóricas compatibles con sklearn

scikit-learn-contrib
⭐ 2,510 Python 👤 scikit-learn-contrib Organization 🕐 Actualizado 2026-10-31 📅 Creado 2015-11-29
9
WillKoehrsen/feature-selector

El selector de características es una herramienta para la reducción de dimensionalidad de conjuntos de datos de aprendizaje automático

WillKoehrsen
⭐ 2,237 Jupyter Notebook 👤 WillKoehrsen User 🕐 Actualizado 2024-06-17 📅 Creado 2018-06-20
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
lizhe2004/Awesome-LLM-RAG-Application

los recursos sobre la aplicación basada en LLM con patrón RAG

lizhe2004
⭐ 1,662 👤 lizhe2004 User 🕐 Actualizado 2026-10-12 📅 Creado 2023-12-27
12
hashcat/hashcat-utils

Pequeñas utilidades útiles para el cracking avanzado de contraseñas

hashcat
⭐ 1,643 C 👤 hashcat Organization 🕐 Actualizado 2026-10-27 📅 Creado 2015-11-20
13
scikit-learn-contrib/boruta_py

Implementaciones en Python del método de selección de características all-relevant de Boruta.

scikit-learn-contrib
⭐ 1,635 Python 👤 scikit-learn-contrib Organization 🕐 Actualizado 2025-11-13 📅 Creado 2016-01-30
14
jadijadi/machine_learning_with_python_jadi

Los cuadernos que usamos en el curso de ML

jadijadi
⭐ 1,215 Jupyter Notebook 👤 jadijadi User 🕐 Actualizado 2025-10-16 📅 Creado 2021-09-20
15
campusx-official/ML-Roadmap-for-2022

Una lista curada de videos, enlaces, proyectos y conjuntos de datos de aprendizaje automático para ayudarte a conquistar el panorama del ML en 6 meses.

campusx-official
⭐ 1,119 👤 campusx-official User 🕐 Actualizado 2024-08-20 📅 Creado 2022-01-10
16
tensorflow/transform

Framework del pipeline de entrada

tensorflow
⭐ 992 Python 👤 tensorflow Organization 🕐 Actualizado 2026-08-14 📅 Creado 2017-02-10
17
data-prep-kit/data-prep-kit

Proyecto de código abierto para la preparación de datos para aplicaciones GenAI

data-prep-kit
⭐ 968 HTML 👤 data-prep-kit Organization 🕐 Actualizado 2026-09-29 📅 Creado 2024-04-08
19
IIIS-Li-Group/OpenFE

OpenFE: generación automática de características con rendimiento de nivel experto

IIIS-Li-Group
⭐ 842 Python 👤 IIIS-Li-Group Organization 🕐 Actualizado 2024-05-27 📅 Creado 2022-11-21
20
potree/PotreeConverter

Crear nube de puntos de múltiples resoluciones para usar con potree

potree
⭐ 823 JavaScript 👤 potree User 🕐 Actualizado 2026-11-02 📅 Creado 2014-02-08
22
LAION-AI/audio-dataset

Conjunto de datos de audio para entrenar CLAP y otros modelos

LAION-AI
⭐ 750 Python 👤 LAION-AI Organization 🕐 Actualizado 2026-01-08 📅 Creado 2022-03-07
24
cesium-ml/cesium

Plataforma de series temporales de aprendizaje automático

cesium-ml
⭐ 682 Python 👤 cesium-ml Organization 🕐 Actualizado 2025-01-17 📅 Creado 2014-10-29
25
NathanEpstein/Dora

Herramientas para el análisis exploratorio de datos en Python

NathanEpstein
⭐ 647 Python 👤 NathanEpstein User 🕐 Actualizado 2025-08-05 📅 Creado 2016-02-16
26
Western-OC2-Lab/AutoML-Implementation-for-Static-and-Dynamic-Data-Analytics

Implementación/Tutorial sobre el uso de métodos de aprendizaje automático automatizado (AutoML) para aprendizaje estático/por lotes y aprendizaje en línea/continuo

Western-OC2-Lab
⭐ 629 Jupyter Notebook 👤 Western-OC2-Lab Organization 🕐 Actualizado 2024-05-14 📅 Creado 2022-09-09
27
tidymodels/recipes

Pasos pipeables para ingeniería de características y preprocesamiento de datos para preparar el modelado

tidymodels
⭐ 626 R 👤 tidymodels Organization 🕐 Actualizado 2026-09-17 📅 Creado 2016-12-16
29
Lightning-AI/litData

Acelere el entrenamiento del modelo corrigiendo la carga de datos.

Lightning-AI
⭐ 617 Python 👤 Lightning-AI Organization 🕐 Actualizado 2026-11-17 📅 Creado 2024-02-15
30
torcheeg/torcheeg

TorchEEG es una biblioteca construida sobre PyTorch para el análisis de señales EEG.

torcheeg
⭐ 585 Python 👤 torcheeg Organization 🕐 Actualizado 2026-11-04 📅 Creado 2022-06-06
31
machinelearnjs/machinelearnjs

Biblioteca de Machine Learning para la web y Node.

machinelearnjs
⭐ 541 TypeScript 👤 machinelearnjs Organization 🕐 Actualizado 2026-02-07 📅 Creado 2018-04-29
32
mlfoundations/open_lm

Un repositorio para la investigación sobre modelos de lenguaje de tamaño mediano.

mlfoundations
⭐ 536 Python 👤 mlfoundations Organization 🕐 Actualizado 2025-06-06 📅 Creado 2023-08-23
33
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
34
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

Preguntas frecuentes

1

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

El proyecto de código abierto de #data-preprocessing mejor posicionado en GitHub es openai/tiktoken, con 19,698 estrellas. tiktoken es un tokenizador BPE rápido para usar con los modelos de OpenAI.

2

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

Entre los proyectos de #data-preprocessing mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, HTML, Go.

3

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

Seguimos 34 repositorios activos de código abierto etiquetados con #data-preprocessing (500+ estrellas), que suman un total de 83,063 estrellas, con una media de 2,443 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.