fn_registry/python/functions/pipelines/profile_table.md

name, kind, lang, domain, purity, version, signature, description, tags, uses_functions, uses_types, returns, returns_optional, error_type, imports, tested, tests, test_file_path, file_path, params, output

name	kind	lang	domain	purity	version	signature	description	tags	uses_functions	uses_types	returns	returns_optional	error_type	imports	tested	tests	test_file_path	file_path	params	output
profile_table	pipeline	py	pipelines	impure	1.1.0	def profile_table(db_path: str, table: str, backend: str = "duckdb", sample: int = 5000, run_models: bool = False, run_llm: bool = False, run_series: bool = False, emit_pdf: bool = False, emit_automatic: bool = False, report_dir: str = "reports", write_report: bool = True) -> dict	Orquestador one-shot del grupo de capacidad eda: perfila UNA tabla (DuckDB o PostgreSQL) end-to-end componiendo las funciones del grupo (perfil base SQL + muestreo read-only + inferencia semantica + promocion de tipo + estadistica numerica/categorica + score de calidad + correlaciones con correccion FDR + re-expresion de Tukey + avisos exploratorios) y, opcional, modelos baratos (run_models), interpretacion LLM (run_llm) y analisis de serie temporal por columna (run_series: estacionariedad ADF+KPSS, ACF/PACF, STL, retornos). Emite el TableProfile completo mas (opcional) report markdown + JSON sidecar + PDF movil (emit_pdf). Es la composicion canonica para hazme un EDA de esta tabla.	eda duckdb postgres profiling data-quality pipeline dataops timeseries	summarize_table_duckdb_py_datascience summarize_table_pg_py_datascience describe_numeric_py_datascience summarize_categorical_py_datascience infer_semantic_type_py_datascience column_quality_score_py_datascience association_matrix_py_datascience run_eda_models_py_datascience eda_llm_insights_py_datascience adf_kpss_stationarity_py_datascience acf_pacf_py_datascience stl_decompose_py_datascience to_returns_py_datascience suggest_reexpression_py_datascience exploratory_caveats_py_datascience render_eda_markdown_py_datascience render_eda_pdf_py_datascience build_eda_render_ctx_py_datascience render_automatic_eda_pdf_py_datascience render_automatic_eda_pptx_py_datascience duckdb_query_readonly_py_infra pg_query_py_infra			false	error_go_core		true	VARCHAR-entera se promociona a numeric con bloque numeric y key_candidates es lista	python/functions/pipelines/profile_table_test.py	python/functions/pipelines/profile_table.py	name desc db_path Ruta al archivo DuckDB (read-only, debe existir; no se crea) o DSN PostgreSQL si backend='postgres'. name desc table Nombre de la tabla a perfilar. name desc backend 'duckdb' (default) o 'postgres'. Selecciona el motor de perfilado base (summarize) y de muestreo read-only. name desc sample Maximo de valores no nulos muestreados por columna para el enriquecimiento (describe_numeric / summarize_categorical / infer_semantic_type). Default 5000. name desc run_models Si True (default False) corre los modelos baratos (PCA/KMeans/IsolationForest/normalidad) y guarda el bloque en prof['models']. name desc run_llm Si True (default False) hace 1 llamada LLM sobre el perfil agregado y guarda el resultado en prof['llm']. name desc run_series Si True (default False) calcula por columna numerica un bloque de serie temporal (estacionariedad ADF+KPSS, ACF/PACF, STL y, si parece de niveles, retornos). Ordena por la primera columna datetime si existe; si no, por el orden fisico. Guardado en col['series'] y agregado en prof['series']. name desc emit_pdf Si True (default False) renderiza un PDF multipagina vertical (legible en movil) del perfil junto al report markdown y devuelve su ruta en pdf_path. name desc emit_automatic Si True (default False) emite ADEMAS el informe AutomaticEDA completo en PDF (A5 movil) Y PPTX (16:9) con los 11 capitulos del motor; construye el ctx de datos crudos con build_eda_render_ctx para que modelos/timeseries/geospatial/agregacion salgan poblados. Aditivo: no sustituye a emit_pdf. Rutas en aeda_pdf_path / aeda_pptx_path / aeda_manifest_path. name desc report_dir Directorio donde escribir los reports si write_report (y el PDF si emit_pdf). Default 'reports'. Se crea si no existe. name desc write_report Si True (default) escribe report markdown + JSON sidecar timestamped en report_dir; si False no toca disco y los paths markdown/json del retorno son None (emit_pdf es independiente).	dict {status:'ok', profile:<TableProfile enriquecido con quality_score, key_candidates, type_breakdown recalculado, correlaciones con FDR, reexpression por columna numerica, caveats, y (con run_series) series>, report_md_path:str|None, report_json_path:str|None, pdf_path:str|None, aeda_pdf_path:str|None, aeda_pptx_path:str|None, aeda_manifest_path:str|None (estos tres solo con emit_automatic)} o {status:'error', error:str} (dict-no-throw).

Ejemplo

import os
from pipelines.profile_table import profile_table

# Tabla real: freelance_projects (35 filas) en la DuckDB del monitor de captacion.
db = os.path.expanduser("~/.fn_freelance/freelance.duckdb")

r = profile_table(db, "freelance_projects", sample=5000, write_report=False)
print(r["status"], r["profile"]["quality_score"], r["profile"]["type_breakdown"])
# ok 98.9 {'numeric': 1, 'categorical': 9, 'datetime': 2, 'text': 0, 'boolean': 1}
#   ^ 'bids' (VARCHAR '1'..'107') se promociono a numeric via semantic_type=integer.

# Con report a disco (markdown + JSON sidecar en reports/):
r = profile_table(db, "freelance_projects")
print(r["report_md_path"], r["report_json_path"])
# reports/eda_freelance_projects_20260620-101500.md reports/eda_freelance_projects_20260620-101500.json

Cuando usarla

Cuando necesites un EDA completo de una tabla DuckDB en una sola llamada: perfil por columna + estadistica fina + calidad + report listo para leer. Usala como primer paso al recibir un dataset desconocido, antes de modelar o limpiar, o para auditar la calidad de una tabla ya productiva. Reemplaza orquestar a mano summarize_table_duckdb -> muestreo -> describe_numeric/summarize_categorical -> column_quality_score -> render_eda_markdown columna por columna.

Gotchas

• Impura: con write_report=True (default) ESCRIBE dos archivos a report_dir (markdown + JSON). Pasa write_report=False para un dry-run sin tocar disco.
• La promocion de tipo es una HEURISTICA sobre la muestra: una columna VARCHAR se reclasifica a numeric solo si su semantic_type es integer/decimal/currency y al menos el 80% de la muestra parsea a float; a datetime si el semantic_type es datetime_iso/date_eu. Tablas con datos sucios o muestras no representativas pueden quedar mal clasificadas; sube sample para muestras mas fiables (coste: mas filas traidas a RAM por columna).
• Las columnas promovidas a datetime aun NO reciben perfil fino: col["datetime"] queda en None (la funcion profile_datetime del grupo llega en otra fase). Su semantic_type si se conserva.
• El parseo numerico limpia simbolos de moneda (€/$/£/EUR/USD/GBP), espacios y separadores de miles; con coma y punto juntos asume punto=miles, coma=decimal. Formatos exoticos pueden descartarse silenciosamente del calculo numerico.
• db_path debe existir: DuckDB read-only NO crea la base. El muestreo usa el sandbox por defecto de duckdb_query_readonly (sin acceso a FS/red).
• Score de calidad (report 2046, desde v1.1.0). Paso 5: cada columna recibe quality_score de column_quality_score con la formula 60/40 (completeness/validity); al promocionar texto a numero/fecha se expone col["validity_rate"] (parse rate de la muestra) para alimentar la dimension validity. Paso 6: el score de dataset NO es la media simple — es 100 * (0.85*cell_quality + 0.15*row_uniqueness), donde cell_quality = media(score_col/100) y row_uniqueness = 1 - duplicate_pct. Si duplicate_pct es None (backend sin calcularlo) el score se renormaliza a solo cell_quality. Los outliers NO bajan el score (van a observations).