edabf 0.2

A package for EDA on CSV and SQL data.

EDA BF - Exploratory Data Analysis Package

Este paquete permite realizar un análisis exploratorio de datos (EDA) de archivos CSV, Parquet y bases de datos SQL (MySQL, PostgreSQL, SQL Server, Oracle), generando informes en formato Excel.

Módulos

1. archivo.py

Este módulo procesa un archivo individual (CSV o Parquet) y genera un informe EDA en formato Excel.

Función principal

• process_single_file(file_path, output=None, limite=None): Procesa un archivo y genera un informe en Excel.
  • Parámetros:
    • file_path (str): Ruta del archivo a procesar.
    • output (str): Ruta de salida para el archivo Excel (opcional).
    • limite (int): Límite opcional de filas a leer del archivo.
  • Descripción: Carga el archivo especificado, procesa los datos y genera un informe en Excel con métricas EDA.

2. dataset.py

Este módulo se conecta a una base de datos SQL, extrae todas las tablas de un esquema específico y genera un informe EDA para cada una en un archivo Excel.

Función principal

• process_dataset(db_type, server, user, password, database, schema, path_instaclient=None, output=None, limit_tables=5): Procesa múltiples tablas de un esquema en la base de datos y genera un informe en un archivo Excel.
  • Parámetros:
    • db_type (str): Tipo de base de datos (mysql, postgresql, sqlserver, oracle).
    • server, user, password, database, schema (str): Detalles de conexión a la base de datos.
    • output (str): Ruta de salida para el archivo Excel.
    • limit_tables (int): Límite opcional para el número de tablas a procesar.
  • Descripción: Conecta a la base de datos, carga las tablas de un esquema especificado y genera un informe EDA en Excel.

3. masivo.py

Este módulo permite procesar múltiples archivos (CSV y Parquet) en una carpeta y generar un informe EDA consolidado en un archivo Excel.

Función principal

• process_folder(folder_path, output=None, limite=None): Procesa múltiples archivos en una carpeta y genera un informe en un solo archivo Excel.
  • Parámetros:
    • folder_path (str): Ruta de la carpeta con los archivos a procesar.
    • output (str): Ruta de salida para el archivo Excel.
    • limite (int): Límite opcional de filas a leer por archivo.
  • Descripción: Busca archivos CSV y Parquet en la carpeta especificada, carga cada archivo, y genera un informe en Excel.

4. table.py

Este módulo permite procesar una sola tabla de una base de datos y generar un informe EDA en Excel.

Función principal

• process_single_table(db_type, server, user, password, database, schema, table_name, path_instaclient=None, output=None): Procesa una tabla específica de una base de datos y genera un informe EDA en Excel.
  • Parámetros:
    • db_type (str): Tipo de base de datos (mysql, postgresql, sqlserver, oracle).
    • server, user, password, database, schema, table_name (str): Detalles de conexión y tabla a procesar.
    • output (str): Ruta de salida para el archivo Excel.
  • Descripción: Conecta a la base de datos y genera un informe EDA de la tabla especificada en formato Excel.

Requisitos de Instalación

Asegúrate de tener instaladas las dependencias del proyecto, como se especifica en setup.py:

pip install pandas==2.2.2 polars==1.10.0 psycopg2==2.9.9 psycopg2-binary==2.9.9 pymssql==2.3.1 oracledb==1.0.0 cx_Oracle XlsxWriter==3.2.0 pyarrow==17.0.0 pymysql SQLAlchemy

Uso

Procesar un Archivo Individual

from archivo import process_single_file
process_single_file("ruta/al/archivo.csv", output="salida.xlsx", limite=1000)

Procesar Múltiples Tablas de un Esquema de Base de Datos

from dataset import process_dataset
process_dataset("mysql", "servidor", "usuario", "contraseña", "base_datos", "esquema", output="salida_dataset.xlsx")

Procesar una Carpeta de Archivos

from masivo import process_folder
process_folder("ruta/a/carpeta", output="salida_masivo.xlsx")

Procesar una Tabla de una Base de Datos

from table import process_single_table
process_single_table("postgresql", "servidor", "usuario", "contraseña", "base_datos", "esquema", "nombre_tabla", output="salida_table.xlsx")

Licencia

Este proyecto está bajo la licencia MIT.