Define flujos de datos en Python comprobables y modulares con linaje y metadatos integrados.
Crea ETLs modulares, flujos de trabajo de ML y pipelines de LLM utilizando funciones estándar de Python y creación automática de DAGs.
Apache Hamilton es una biblioteca ligera de Python para construir grafos acíclicos dirigidos de transformaciones de datos utilizando funciones estándar. Es ideal para científicos e ingenieros de datos que desean organizar código en pipelines comprobables y autodocumentados que se ejecutan donde sea que corra Python.
Construye automáticamente un DAG a partir de funciones regulares de Python donde los parámetros especifican dependencias. Los modificadores de funciones mantienen el código limpio y los adaptadores de datos gestionan la validación de esquemas para pandas, polars e Ibis.
Se adapta a equipos de datos que hacen la transición de modelos de prueba de concepto a pipelines de producción mantenibles sin el bloqueo de un orquestador rígido. No es adecuado para quienes buscan un orquestador para programar trabajos o usuarios que necesitan bucles y lógica de agentes condicional.
Separa la definición y la ejecución del DAG para que científicos e ingenieros de datos puedan colaborar eficazmente.
Utiliza @config.when() para modificar DAGs entre entornos en lugar de usar indicadores if/else propensos a errores.
Decora funciones para validar las propiedades de salida e inspeccionar automáticamente esquemas de dataframe.
Rellena automáticamente un catálogo de datos con linaje, trazabilidad y observabilidad de ejecución.
Gratis bajo la licencia Apache-2.0, siendo el único coste tus propios recursos de alojamiento si ejecutas el servidor de Hamilton UI.
877 puestos remotos abiertos de entrenamiento de IA, actualizados el 16 de noviembre de 2026; la mayoría paga $20–$175 por hora. 22 de ellos piden hispanohablantes. Zekai los lista gratis; la solicitud va a la plataforma del empleador.
No, Hamilton es una biblioteca de capa de activos para organizar código de transformación de datos, no un sistema operativo de creación como Airflow.
Puedes usar decoradores @config.when() para cambiar la lógica según parámetros de configuración en vez de escribir declaraciones condicionales en línea.
Ve Zekai primero en Google