Ce projet vise à stocker et traiter les données liées aux diagnostics de performance énergétique (DPE). Il comprend des scripts d'extraction, de nettoyage, de montée en qualité et de géocodage des données. Des analyses préliminaires sont également réalisées pour visualiser les consommations d'énergie et les estimations de gaz à effet de serre par département.

Projet de recodage de decp-rama en langage Python, avec pour objectif d'identifier et d'agréger toutes les sources de données essentielles de la commande publique (DECP) pour les publier sur data.gouv.fr. Le projet suit une procédure standard pour chaque source de données : téléchargement, conversion en DataFrame, nettoyage et agrégation, et exportation aux formats JSON et XML.

Le projet Bacon-Kbart-destroy permet d'effacer des lignes ou des fichiers Kabart en base de données. Il est utilisé pour la gestion et le nettoyage de ces données.

Le projet swh-scrubber vise à nettoyer et consolider les données de dépôts de code source, en supprimant les données inutiles ou redondantes, permettant ainsi une optimisation de l'espace de stockage dans les systèmes de gestion de versions. Il utilise des techniques avancées de compression de données et d'analyse de dépendances pour garantir l'intégrité et la fonctionnalité des dépôts après le nettoyage.

Le projet camino-imports-geojson est dédié à l'importation, au nettoyage et à la transformation de données géospatiales. Il permet de créer des fichiers GeoJSON à partir de divers formats de données, notamment CSV, et de nettoyer et dédupliquer les objets géographiques. Cet outil facilite le traitement et l'intégration de données géospatiales dans des systèmes d'information géographique (SIG).

Projet de migration et nettoyage de données depuis des fichiers CSV vers une base de données PostgreSQL. Il permet également la gestion de fichiers image associés et la connexion à des bases de données distantes et locales.

Ce projet implémente une solution pour classer les magasins de détail en fonction de leurs ventes annuelles en utilisant un jeu de données réel. Il comprend des algorithmes de nettoyage et de préparation de données pour gérer les caractéristiques catégorielles sales, ainsi qu'une méthode de classification des produits en utilisant une hiérarchie de produits locale. Les résultats sont validés en comparant avec des jeux de données étiquetés manuellement.

Le projet bigdata_project permet l'analyse de données massives pour découvrir des tendances et des modèles, ainsi que pour prévoir des données. Il offre une solution complète pour le traitement et l'analyse de données, y compris le nettoyage, la transformation et le chargement des données.

Le projet specificite est une plateforme dédiée à l'analyse et la comparaison de données géographiques et statistiques. Il offre des fonctionnalités de nettoyage et d'organisation de données, permettant une visualisation et une interprétation simplifiées des résultats.

Ce projet est responsable de la préparation des données pour tous les tableurs dans le cadre du programme Richelieu. Il s'occupe du nettoyage et de la normalisation des jeux de données, de la récupération de données supplémentaires via des API et de l'explicitation des liens entre fichiers image et entrées de tableurs.