tech.ml.dataset 是数据集领域的开源项目，由 techascent 开发，2019 年首次发布。
它收录于数据集分类，该分类目前共有 297 个项目，GitHub 星标数为 763。
项目目前处于活跃维护状态，最近一次代码更新于 2026-10-02。免费使用。
它主要面向的使用场景是：Clojure项目中的ETL数据清洗与转换。同类可对比的替代方案包括 Tablecloth、Pandas (Python)、Apache Spark (Scala)。
tech.ml.dataset
用 Clojure 快速处理大数据集，像 pandas 一样高效
tech.ml.dataset 是一个基于 Clojure 的高性能数据处理系统，专注于提供类似 Python pandas 的 DataFrame 功能，同时充分利用 JVM 生态。它解决了 Clojure 生态中缺乏高效、易用的结构化数据处理工具的问题，支持从 CSV、XLSX 等格式加载数据，进行列式操作、过滤、聚合、连接等常见数据清洗与转换任务，并内置了与机器学习库（如 Smile）的集成接口。其核心能力包括惰性加载、内存高效利用、并行处理以及友好的 Clojure 语法，使得数据处理流程简洁且性能优异。该项目早期已获得 757 星标，表明其受到一定关注，适合需要高性能数据处理的 Clojure 开发者。
开源
free
数据集
GitHub 星标
★ 763
维护状态
活跃
是否开源
是
定价模式
free
项目预览
项目数据
分类数据集
开发团队techascent
所属国家
定价模式free
价格说明开源项目，免费使用
访问状态
是否开源是
开源协议EPL-1.0
主要语言Clojure
技术栈/模型clojure,csv,dataframe,datascience,dataset,etl-pipeline,java,machine-learning,xlsx
GitHub 星标★ 763
30天Star增速
HF 下载量
上线时间2019-02-14 00:00:00
代码更新—
仓库体积—
本站数据更新—
维护状态活跃
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-22
浏览次数8
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
正在加载星标数据…
技术标签
使用教程
—
核心亮点
- 列式存储与惰性加载，内存占用低，适合处理超大数据集
- API 设计贴近 Clojure 习惯，函数式风格，代码简洁
- 原生支持 CSV、XLSX 等格式，并集成 Smile 机器学习库
不足之处
- 文档和示例相对较少，新手入门门槛较高
- 社区活跃度一般，更新频率可能不如主流数据处理框架
适用场景
- Clojure 项目中的 ETL 数据清洗与转换
- 需要高性能数据预处理的机器学习流水线
- 在 JVM 环境中替代 pandas 进行数据分析
替代项目
Tablecloth、Pandas (Python)、Apache Spark (Scala)
项目介绍
同类项目推荐
X-AnyLabeling
开源
一站式AI辅助标注，图像视频文本通吃，导出格式随心配
X-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop applicat···
aisheets
开源
像用表格一样批量调 AI，不写代码就能造和改数据集
Build, enrich, and transform datasets using AI models with no code
DataGen
开源
用大模型一键生成定制化训练数据，告别数据荒
[ICLR'25] DataGen: Unified Synthetic Dataset Generation via Large Language Models
distilabel
开源
基于论文的合成数据流水线，快速生成高质量 AI 反馈数据。
Distilabel is a framework for synthetic data and AI feedback for engineers who need ···