Definieren Sie testbare, modulare Python-Datenflüsse mit integrierter Abstammung und Metadaten.
Erstellen Sie modulare ETL-, ML-Workflows und LLM-Pipelines mit Standard-Python-Funktionen und automatischer DAG-Erstellung.
Apache Hamilton ist eine leichte Python-Bibliothek zum Erstellen gerichteter azyklischer Graphen von Datentransformationen unter Verwendung von Standardfunktionen. Sie eignet sich für Data Scientists und Ingenieure, die Code in testbaren, selbstdokumentierenden Pipelines organisieren möchten, die überall dort laufen, wo Python läuft.
Es erstellt automatisch einen DAG aus regulären Python-Funktionen, bei denen Parameter Abhängigkeiten angeben. Funktionsmodifizierer halten den Code trocken, und Datenadapter übernehmen die Schemavalidierung für pandas, polars und Ibis.
Es eignet sich für Datenteams, die Proof-of-Concept-Modelle in wartbare Produktions-Pipelines überführen möchten, ohne an starre Orchestratoren gebunden zu sein. Es ist weniger geeignet für Benutzer, die einen Orchestrator zum Planen von Jobs suchen oder Schleifen und bedingte Agentenlogik benötigen.
Trennt DAG-Definition und -Ausführung, damit Data Scientists und Ingenieure effektiv zusammenarbeiten können.
Verwendet @config.when(), um DAGs zwischen Umgebungen zu modifizieren, anstatt fehleranfällige if/else-Flags zu nutzen.
Dekorieren Sie Funktionen, um Ausgabeeigenschaften zu validieren und DataFrame-Schemas automatisch zu inspizieren.
Füllt automatisch einen Datenkatalog mit Abstammung, Tracing und Ausführungs-Observability.
Kostenlos unter der Apache-2.0-Lizenz, wobei die einzigen Kosten Ihre eigenen Hosting-Ressourcen sind, wenn Sie den Hamilton UI-Server betreiben.
877 offene Remote-Stellen im KI-Training, aktualisiert am 16. November 2026; die meisten zahlen $20–$175 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.
Nein, Hamilton ist eine Asset-Layer-Bibliothek zur Organisation von Datentransformationscode und kein operatives System zur Erstellung wie Airflow.
Sie können @config.when()-Dekoratoren verwenden, um Logik basierend auf Konfigurationsparametern auszutauschen, anstatt Inline-Bedingungsanweisungen zu schreiben.
Zekai zuerst in Google sehen