Awesome GitHub RepositoriesConditional Data Operations

Qdrant is a high-performance vector similarity database designed to store, index, and search high-dimensional vectors alongside structured metadata. It functions as a distributed search engine that manages large-scale data clusters, providing low-latency retrieval and complex filtering capabilities. The system is built to serve as a specialized middleware layer, connecting machine learning pipelines and AI agents to persistent storage for intelligent information retrieval and recommendation tasks. The platform distinguishes itself through advanced retrieval techniques, including support for h

This project is a reactive, offline-first NoSQL database engine designed for JavaScript applications. It provides a robust framework for managing application state by synchronizing data across browsers, mobile devices, and server-side runtimes. By treating local storage as the primary source of truth, it enables applications to remain functional without network connectivity, automatically reconciling changes with remote backends once a connection is restored. The database distinguishes itself through a modular architecture that supports cross-environment synchronization and high-performance d

This project is a feature-rich Go client library designed for interacting with Redis. It serves as a comprehensive interface for managing remote data stores, enabling developers to execute standard database commands, handle complex data structures, and perform asynchronous operations within Go applications. The library distinguishes itself through its support for advanced Redis capabilities, including connection pooling, pipelining, and transactional integrity. It provides specialized primitives for managing distributed clusters, including automated topology updates and request routing to sha

General purpose redis client

pyinfra is an agentless infrastructure automation framework that turns declarative Python code into idempotent shell commands to manage servers, containers, and local machines over SSH without requiring any pre-installed software on target hosts. It operates by comparing the desired state of a system against its current state, using a dry-run simulation mode to preview changes and a fact-based conditional execution engine to gather host attributes at runtime and control which operations run. The tool compiles Python operations into optimized shell commands and executes them in parallel across

pyinfra is a Python-based infrastructure automation framework that turns Python code into shell commands for managing servers, Docker containers, and local machines. It operates as a declarative, idempotent deployment tool, applying desired system states by comparing target configurations against current states and making only the necessary changes. The framework provides a connector-based transport abstraction that unifies SSH, Docker, and local execution behind a common interface, with a parallel execution engine that manages concurrent operations across hosts. The tool distinguishes itself

r4ds est un cursus de science des données et une ressource pédagogique conçue pour maîtriser le langage de programmation R. Il fournit un chemin d'apprentissage structuré pour le processus de bout en bout d'importation, de nettoyage, de transformation et de visualisation des données. Le projet met l'accent sur un guide de science des données reproductible et un cursus complet pour le data wrangling. Il inclut des tutoriels spécialisés sur la grammaire des graphiques pour la visualisation de données en couches et des publications techniques créées avec Quarto qui mélangent code exécutable et prose narrative. Le matériel couvre un large éventail de capacités analytiques, incluant l'ingestion de données à partir de sources diverses, la jointure de données relationnelles et la gestion des variables catégorielles. Il aborde également le nettoyage de données, la modélisation mathématique et la génération de rapports et présentations professionnels multi-formats. Le cursus se concentre sur l'application pratique de la programmation fonctionnelle et des principes de tidy data pour créer des analyses transparentes et répétables.

Strawberry est une bibliothèque GraphQL typée pour Python qui permet la conception de schémas en utilisant des annotations de type Python et des dataclasses. Elle fonctionne comme un serveur GraphQL asynchrone et un moteur d'exécution, fournissant un pont pour exposer des schémas à travers des frameworks web compatibles ASGI tels que FastAPI, Django, Flask et Litestar. Le projet implémente la fédération GraphQL, permettant la création de schémas distribués et d'entités qui fusionnent en un supergraphe unifié à travers plusieurs services. Il inclut également une boîte à outils dédiée pour la spécification Relay, prenant en charge l'identification globale d'objets et la pagination basée sur les connexions. Le framework couvre un large ensemble de capacités, incluant le streaming de données en temps réel via WebSockets et Server-Sent Events, le mapping de modèles Pydantic et la génération automatique de code. Il fournit des outils intégrés pour la sécurité et l'observabilité, tels que la limitation de complexité des requêtes, le contrôle d'accès basé sur les rôles et le traçage des métriques d'exécution. Les développeurs peuvent prototyper en utilisant un serveur de développement intégré avec une interface d'inspection de schéma interactive.

Cet utilitaire est un outil en ligne de commande conçu pour automatiser le nivellement du volume à travers les collections audio et vidéo. En tirant parti de bibliothèques de traitement multimédia externes, il ajuste les fichiers à un niveau de volume cible cohérent, garantissant une lecture uniforme sans avoir besoin d'ajustements de volume manuels. L'outil se distingue par un flux de travail d'analyse en deux passes qui mesure les statistiques de volume avant d'appliquer des ajustements de gain précis. Il maintient les relations de volume relatives entre les pistes lors du traitement des collections, garantissant que l'équilibre dynamique d'un groupe de fichiers reste intact. Les utilisateurs peuvent définir et enregistrer des préréglages de configuration personnalisés pour standardiser ces paramètres de normalisation à travers différents types de médias et environnements. Le logiciel prend en charge le traitement par lots complet, permettant la normalisation automatisée de répertoires entiers tout en préservant les métadonnées originales et l'intégrité des fichiers. Il inclut une logique pour évaluer les fichiers par rapport aux seuils cibles, en sautant le réencodage redondant pour optimiser les ressources informatiques. De plus, l'outil fournit un mappage de flux dynamique pour isoler des pistes audio spécifiques au sein de conteneurs vidéo, permettant la normalisation sans altérer le contenu vidéo original. L'utilitaire est distribué sous forme d'interface en ligne de commande et inclut la prise en charge de l'autocomplétion shell pour les opérations basées sur le terminal. Il offre également une interface programmatique pour l'intégration dans des applications personnalisées et des pipelines de traitement multimédia automatisés.