feat: extraccion masiva footprint_aurgi (41 funcs + 4 types + stack Docker geo)

Extrae al registry funciones del proyecto interno footprint_aurgi:
- core (6): slugify_ascii, normalize_for_join, cp_provincia_es, infer_provincia_from_cp, safe_read_csv_fallback, csv_to_parquet_duckdb
- geo puras (7): haversine_km, point_in_ring, point_in_polygon, point_in_polygons_bbox, polygon_bbox, extent_with_padding, distance_bucket
- geo I/O (4): load_geojson_polygons, load_boundary_gdf, add_basemap_osm, add_basemap_with_timeout
- valhalla client (4): valhalla_route, valhalla_isochrone, valhalla_isochrones_async, valhalla_matrix_1_to_n
- datascience stats (7): trimmed_mean, geometric_mean, detect_distribution_type, best_central_tendency, summary_stats, kde_density_levels, alpha_shape_concave_hull
- datascience fuzzy (3): fuzzy_merge_adaptive (rapidfuzz), words_to_dataset, remove_words_from_column
- datascience viz (2): plot_kde_2d, plot_heatmap_log
- infra (4): compress_pdf_ghostscript, render_table_page_pdfpages, add_header_logo, osm2pgsql_ingest
- pipelines (4): setup_geo_stack_docker, compute_centers_reachability, generate_isochrones_by_zone, count_points_per_zone
- types geo (4): LonLat, BBox, IsochroneRequest, Centro

Incluye:
- apps/footprint_geo_stack/ (PostGIS + Martin + Valhalla via docker-compose)
- 131/132 tests pasan (1 skip esperado: osm2pgsql en PATH)
- Issue tracker dev/issues/0052-footprint-aurgi-extraction.md
- Atribucion uniforme: source_repo internal:footprint_aurgi, source_license internal-aurgi
- Build con 9 agentes en paralelo (8 wave 1 + 1 wave 2 pipelines)

Tambien commitea trabajo previo no commiteado: aggregate_extraction_results, chunk_with_overlap, clean_pdf_text, merge_entity_aliases, extract_graph_gliner2, extract_relations_mrebel, extract_triples_spacy_es, gliner2/mrebel/marianmt/rebel/spacy_es load_model, parse_rebel_output, translate_es_to_en, issue 0050/0051.

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

python/functions/datascience/align_relations_to_entities.md

@@ -0,0 +1,70 @@
+---
+name: align_relations_to_entities
+kind: function
+lang: py
+domain: datascience
+version: "1.0.0"
+purity: pure
+signature: "def align_relations_to_entities(triplets: list[dict], entity_names: list[str]) -> list[dict]"
+description: "Filtra y alinea triplets REBEL/mREBEL a nombres canonicos de entidades. Para cada triplet, resuelve head y tail contra entity_names con match exacto case-insensitive o substring (gana el nombre mas largo). Descarta triplets donde algun lado no resuelve o head==tail."
+tags: [rebel, mrebel, relation-extraction, nlp, align, knowledge-graph, datascience, python]
+uses_functions: []
+uses_types: []
+returns: []
+returns_optional: false
+error_type: ""
+imports: []
+params:
+  - name: triplets
+    desc: "lista de dicts producida por parse_rebel_output, con claves head, head_type, type, tail, tail_type"
+  - name: entity_names
+    desc: "nombres canonicos de entidades conocidas contra los que alinear (ej. [e.name for e in entities])"
+output: "lista de dicts con claves from (str), kind (str), to (str), head_type (str), tail_type (str). from/to son valores tomados verbatim de entity_names."
+tested: true
+tests:
+  - "match exacto case-insensitive resuelve correctamente"
+  - "substring entity en span del head"
+  - "substring span dentro del nombre de entidad"
+  - "gana el nombre de entidad mas largo en ambiguedad"
+  - "triplet sin match se descarta"
+  - "triplet con head == tail se descarta (self-loop)"
+test_file_path: "python/functions/datascience/tests/test_align_relations_to_entities.py"
+file_path: "python/functions/datascience/align_relations_to_entities.py"
+notes: |
+  Funcion pura. Compone con parse_rebel_output: el output de parse_rebel_output entra
+  como triplets, y entity_names viene de [e.name for e in entities] del contexto de extraccion.
+  Estrategia de matching:
+  1. Exacto case-insensitive (O(1) via dict)
+  2. Substring bidireccional: entity in span O span in entity (itera por longitud DESC)
+  Esto cubre casos como mREBEL emitiendo "esta en Bilbao" cuando la entidad es "Bilbao",
+  o "Banco Santander S.A." cuando la entidad canonizada es "Banco Santander".
+---
+
+## Ejemplo
+
+```python
+from python.functions.datascience.parse_rebel_output import parse_rebel_output
+from python.functions.datascience.align_relations_to_entities import align_relations_to_entities
+
+decoded = "tp_XX<triplet> Pablo Isla <per> Inditex <org> employer"
+triplets = parse_rebel_output(decoded)
+
+entities = ["Pablo Isla", "Inditex", "A Coruna"]
+aligned = align_relations_to_entities(triplets, entities)
+# [{'from': 'Pablo Isla', 'kind': 'employer', 'to': 'Inditex',
+#   'head_type': 'per', 'tail_type': 'org'}]
+```
+
+## Estrategia de matching
+
+1. **Exacto case-insensitive**: ``"inditex"`` == ``"Inditex"``.
+2. **Substring bidireccional**: la entidad esta contenida en el span del modelo,
+   o el span del modelo esta contenido en el nombre de la entidad.
+   Cuando varias entidades encajan, gana la mas larga (mas especifica).
+
+## Notas
+
+- No hace fuzzy matching (Levenshtein, etc.) — la precision sobre el recall es preferida
+  en el contexto de grafos de conocimiento.
+- Para mejorar recall: normalizar entity_names antes de llamar (quitar siglas, tildes).
+- Los triplets con ``from == to`` (self-loops) se descartan siempre.