fn_registry/python/functions/datascience/render_eda_markdown.md

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

name	kind	lang	domain	version	purity	signature	description	tags	params	output	uses_functions	uses_types	returns	returns_optional	error_type	imports	tested	tests	test_file_path	file_path
render_eda_markdown	function	py	datascience	1.0.0	pure	def render_eda_markdown(profile: dict) -> str	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.	eda markdown render report profiling datascience	name desc profile 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.	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.				false			true	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	python/functions/datascience/render_eda_markdown_test.py	python/functions/datascience/render_eda_markdown.py

Ejemplo

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):

# 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.