MCM/ICM Toolkit

这是我参加美赛时用的学习和准备复用的代码，有需要可以自行克隆和修改。

美赛（MCM/ICM）编程手的竞赛层工具箱： 把比赛中反复手写的代码沉淀成"高频算法自己实现 + 成熟库薄封装 + 统一结果接口"。

不替代 SciPy / scikit-learn / statsmodels / NetworkX / SALib / SymPy。 只做它们到"4 天赛程能用"之间的那一层。

快速开始

# 1) 建环境（两条路选一条）
.\scripts\setup-venv.ps1        # venv，零下载，复用 Anaconda base 的科学栈
.\scripts\setup-conda.ps1      # conda 环境 mcm-toolkit（精准包列表，走代理下载）

# 2) 自检
.\scripts\doctor.ps1

# 3) 激活
.\.venv\Scripts\Activate.ps1

import mcm_toolkit as mcm

mcm.set_seed(42)
r = mcm.bootstrap_ci(data, statistic=np.median, random_state=42)
print(r.params["low"], r.params["high"])

当前状态（v0.0.1）

本地 git 仓库已初始化（main，首次提交 5319589），远程 Gitea 待配置。

接口已定，实现未填。 所有函数体是 raise NotImplementedError + TODO(L0/L1/v0.2) 标记， 按 docs/03-roadmap.md 的 L0 → L1 顺序填。

目录

路径	说明
src/mcm_toolkit/	包源码，7 个子包
tests/	测试，与包一一对应（测已知解析解，不测实现细节）
examples/	每个模块一个能跑的最小例子
problems/	历年真题（每做完一题，反向沉淀 1～3 个通用函数）
notebooks/	探索用
docs/	需求、架构、路线图、环境、规范
scripts/	环境脚本
STATUS.md	当前进度

子包

包	职责	关键函数
core	基础设施	Result get_rng check_*
data	读 / 洗 / 变换 / 采样	load_table detect_outliers normalize
stats	描述 / 推断 / bootstrap	describe bootstrap_ci fit_distribution
models	回归 / 时序 / ML	fit_linear fit_arima compare_models
solve	优化 / 模拟 / 敏感性	monte_carlo simulated_annealing sobol_analyze
decision	评价决策	entropy_weights ahp_weights topsis gm11
viz	出图出表	plot save_figure save_table

文档

开始动手前请先读 docs/01-suggestion-review.md—— 它记录了"为什么最终结构是这样"，以及明确不做什么。

许可

MIT，见 LICENSE。