Defina fluxos de dados em Python testáveis e modulares com linhagem e metadados integrados.
Construa ETLs modulares, fluxos de trabalho de ML e pipelines de LLM usando funções padrão em Python e criação automática de DAGs.
O Apache Hamilton é uma biblioteca Python leve para construir grafos acíclicos dirigidos de transformações de dados usando funções padrão. Ele é adequado para cientistas e engenheiros de dados que desejam organizar código em pipelines testáveis e auto-documentados que rodam onde quer que o Python execute.
Ele constrói automaticamente um DAG a partir de funções Python regulares, onde os parâmetros especificam dependências. Modificadores de função mantêm o código limpo (DRY) e adaptadores de dados lidam com a validação de esquema para pandas, polars e Ibis.
Ele é adequado para equipes de dados que estão fazendo a transição de modelos de prova de conceito para pipelines de produção sustentáveis sem bloqueio rígido de um orquestrador. Ele não é adequado para quem procura um orquestrador para agendar trabalhos ou para usuários que precisam de loops e lógica de agente condicional.
Separa a definição e a execução do DAG para que cientistas e engenheiros de dados possam colaborar de forma eficaz.
Usa @config.when() para modificar DAGs entre ambientes em vez de usar flags if/else propensas a erros.
Decore funções para validar propriedades de saída e inspecionar automaticamente esquemas de dataframe.
Popula automaticamente um catálogo de dados com linhagem, rastreamento e observabilidade de execução.
Gratuito sob a licença Apache-2.0, sendo o único custo os seus próprios recursos de hospedagem caso você execute o servidor Hamilton UI.
877 vagas remotas abertas de treinamento de IA, atualizadas em 16 de novembro de 2026; a maioria paga $20–$175 por hora. 8 delas pedem falantes de português. O Zekai lista de graça; a candidatura vai para a plataforma do empregador.
Não, o Hamilton é uma biblioteca de camada de ativos para organizar código de transformação de dados, e não um sistema operacional para criação como o Airflow.
Você pode usar decoradores @config.when() para alternar a lógica com base em parâmetros de configuração em vez de escrever declarações condicionais embutidas.
Veja o Zekai primeiro no Google