---
name: render_eda_markdown
kind: function
lang: py
domain: datascience
version: "1.0.0"
purity: pure
signature: "def render_eda_markdown(profile: dict) -> str"
description: "Convierte un TableProfile (dict del grupo eda) en un report markdown legible y autosuficiente. Render puro: dict de entrada -> string markdown de salida. Lee todo defensivamente con .get(...) porque muchas claves del perfil pueden venir None. Genera secciones Overview, Columnas, Numéricas (con sparkline ASCII del histograma), Categóricas, Calidad, Correlaciones y Análisis LLM, omitiendo limpiamente lo que esté vacío."
tags: [eda, markdown, render, report, profiling, datascience]
params:
  - name: profile
    desc: "TableProfile dict del grupo eda: {table, source, profiled_at, n_rows, n_cols, size_bytes, duplicate_rows, duplicate_pct, constant_cols, all_null_cols, null_cell_pct, type_breakdown, columns:[ColumnProfile], correlations, key_candidates, quality_score, llm, models}. Cada ColumnProfile puede traer sub-dicts numeric/categorical/datetime que pueden ser None. Todas las claves se leen defensivamente."
output: "String markdown con el report EDA. Empieza por '# EDA — <table>' y contiene las secciones disponibles (Overview, Columnas, Numéricas, Categóricas, Calidad, Correlaciones, Análisis LLM). Las secciones sin datos se omiten."
uses_functions: []
uses_types: []
returns: []
returns_optional: false
error_type: ""
imports: []
tested: true
tests: ["test_contains_title_and_sections", "test_contains_column_names", "test_contains_sparkline", "test_pct_fields_scaled_by_100", "test_pct_handles_none_as_blank", "test_tolerates_none_correlations_and_llm", "test_tolerates_empty_profile", "test_tolerates_none_profile"]
test_file_path: "python/functions/datascience/render_eda_markdown_test.py"
file_path: "python/functions/datascience/render_eda_markdown.py"
---

## Ejemplo

```python
from datascience import render_eda_markdown

profile = {
    "table": "sales",
    "source": "data/sales.csv",
    "n_rows": 1000,
    "n_cols": 1,
    "null_cell_pct": 0.015,
    "type_breakdown": {"numeric": 1},
    "columns": [
        {
            "name": "price",
            "inferred_type": "float",
            "semantic_type": "currency",
            "null_pct": 0.0,
            "distinct_count": 850,
            "unique_pct": 0.85,
            "quality_score": 0.95,
            "flags": [],
            "numeric": {
                "min": 1.0, "median": 40.0, "mean": 42.5, "std": 12.3,
                "p25": 30.0, "p75": 55.0, "p95": 80.0, "p99": 95.0,
                "skew": 0.4, "outlier_pct": 0.012, "distribution_type": "right-skewed",
                "histogram": [
                    {"lo": 0, "hi": 25, "count": 100},
                    {"lo": 25, "hi": 50, "count": 500},
                    {"lo": 50, "hi": 75, "count": 300},
                    {"lo": 75, "hi": 100, "count": 50},
                ],
            },
            "categorical": None,
        },
    ],
    "correlations": None,
    "llm": None,
}

md = render_eda_markdown(profile)
print(md)
```

Salida (extracto):

```markdown
# EDA — sales

source: `data/sales.csv` · 1000 rows × 1 cols
...
### price
...
histogram: `▂█▅▁`
```

## Cuando usarla

Úsala como paso final de un pipeline EDA: tras construir el `TableProfile` (con las
funciones del grupo `eda` que perfilan columnas, calidad e histogramas), pásaselo a
esta función para obtener un report markdown listo para volcar a un `.md`, una celda
de notebook, una nota de vault o un mensaje. Es render puro: no escribe a disco,
solo devuelve el string, así que tú decides dónde guardarlo. Tolera perfiles
parciales (correlaciones o LLM aún no calculados) sin fallar.

## Gotchas

Función pura sin efectos. El sparkline del histograma escala los `count` de cada bin
linealmente sobre la rampa de bloques `▁▂▃▄▅▆▇█`; si todos los counts son iguales, se
dibuja el bloque más bajo para todos. No escribe el report a ningún archivo — el
caller es responsable de persistirlo.

Convención de porcentajes: TODOS los campos `*_pct` (`null_pct`, `empty_pct`,
`unique_pct`, `outlier_pct`, `zero_pct`, `negative_pct`, `null_cell_pct`,
`duplicate_pct`, y el `pct`/`mode_pct` del sub-dict categorical) se esperan como
**fracción 0-1** (p.ej. `unique_pct=0.857` = 85.7%). El render los multiplica por 100
al formatear, mostrando `85.70%`. No pases valores ya en escala 0-100 o saldrán inflados.