MCM-ICM_Toolkit/STATUS.md

STATUS — 当前进度

更新日期：2026-10-05

本次任务

第一阶段（已完成）：审查并精简 ChatGPT 的建库建议 → 生成骨架文件 → 配置 conda 与 venv 环境 → 初始化 git 仓库 → 接入 Gitea 远端。 两套环境均已建成并通过验证，仓库已推送到 code.guzhujushi.cn。

第二阶段（进行中）：按 docs/03-roadmap.md 的 L0 → L1 顺序逐个实现函数。

分工硬规矩（决策 47，用户 2026-10-03 明确）：

• 算法一律由用户本人写（S 档尤其）—— 即便用户说"你写吧"也不代写， 要保住"一边学一边自己写"的路径。
• 工程事务由 Codex 写、用户读：入口/校验重构、tests/、docstring、ruff、 STATUS.md / CHANGELOG.md、函数卡片、.gitignore 等。
• A 档薄封装（rmse/mae/fit_linear/train_test_split…）算工程，Codex 可直接实现。
• 分地盘按文件划，不按函数划（同一文件两人各写一半曾导致用户编辑器保存失败）。

当前 L0 11/12：Result、get_rng/set_seed、load_table/save_table、clean_missing、 detect_outliers、normalize/standardize、describe、correlation_matrix、bootstrap_ci、 monte_carlo（用户写，2026-10-04）；另提前落地了 L1 的 confidence_interval / t_test / monte_carlo_probability、monte_carlo_integral、random_walk、markov_simulate、 markov_steady_state、mm1_metrics（均为用户写）—— solve 层的 L1 清单已全部落地。 剩余 1 项：save_figure（Codex 写）。 monte_carlo 的口径已拍板（决策 48）；monte_carlo_probability / random_walk 的待办均已办结； markov_simulate（决策 56）/ markov_steady_state（决策 57）/ mm1_metrics（决策 58） 仍有一批入口口径待你拍板（本轮各办结了一批，详见"下一步"）。 另 3 个小口径仍悬着：ci_low/ci_high 的语义、monte_carlo_integral 的第一道 isinstance 分支可塌成两行、 random_state 注解与 std 的 ddof 是否全项目对齐。

任务清单

✅ 已完成

A. 建议审查与精简

• 通读 chatGPT_Suggestion.md（33 节，约 2.4 万字），输出 docs/01-suggestion-review.md
  • 总裁决：方向对，量级错
  • 14 个包 → 7 个；约 250 个函数 → 约 40 个；5 个 Result 类 → 1 个
  • 单函数文档要求 10 项 → 2 档（只有约 15 个招牌算法写完整卡片）
  • 逐项给出"砍什么 / 为什么 / 替代什么"，并补上原文缺失的六件事 （论文产出链路、指标方向与量纲、时间预算、可复现性、测试测什么、离线约束）

B. 骨架文件生成（76 个文件，约 6800 行）

• docs/02-architecture.md 架构、docs/03-roadmap.md 路线图与永久不做清单
• docs/04-environment.md 环境文档、docs/dev/function-card-template.md 卡片模板
• src/mcm_toolkit/ 7 个包 23 个模块（只有签名 + docstring + NotImplementedError）
• tests/ 9 个文件、examples/ 4 个、problems/ notebooks/ figures/ tables/
• pyproject.toml（核心依赖 4 个 + 6 组 extras）、environment.yml
• .gitignore .gitattributes .editorconfig LICENSE CHANGELOG.md README.md
• 脚本 scripts/setup-venv.ps1 setup-conda.ps1 doctor.ps1

C. 环境配置

• venv 已建好：.venv（10.5 MB，Anaconda base + --system-site-packages） + pip install -e . --no-deps --no-build-isolation； 可直接导入 numpy 2.4.6 / scipy 1.18.1 / pandas 3.0.6 / matplotlib 3.11.2 / sklearn 1.9.1 / statsmodels 0.15.0 / networkx 3.6.1 / sympy 1.14.0 （版本随 base 走，base 升级后自动同步）
• conda 环境已建好：D:\anaconda\envs\mcm-toolkit（1.55 GB，Python 3.13.15） - 科学栈：numpy 2.4.6 / scipy 1.18.1 / pandas 3.0.6 / matplotlib 3.11.2 / sklearn 1.9.1 / statsmodels 0.15.0 / networkx 3.6.1 / sympy 1.14.0（MKL 后端） - 已补装 pip-only 依赖：SALib、pymoo 0.6.2、pyright 1.1.414 - 已在本项目中可编辑安装 - 实测耗时 868 秒，下载约 3 GB
• Anaconda base 已升级 2025.12 → 2026.07（365 个包，下载 638 MB，耗时 1033 秒） - conda 自身 25.11.1 → 26.7.3（实测复核） - 并把项目环境 numpy 对齐到 base 的 2.4.6，两套环境数值栈现已完全一致（MKL 后端） - 升级前已用 conda list -n base --revisions 留了回滚点
• 环境脚本按实测结果重写：setup-conda.ps1 默认改为精准包列表 （--clone base 实测会走完整下载安装，不再是"离线快捷方式"）

D. Git 仓库

• git init -b main，core.autocrlf=false，首次提交 5319589（76 文件 / 6812 行），工作区干净
• git ls-files --eol 复核：全部 LF，.gitattributes 生效
• 仓库由本人账户 guzhu 创建（见决策 17）
• 远端 Gitea 已接通并推送：origin = git@code.guzhujushi.cn:guzhujushi/MCM-ICM_Toolkit.git， main 跟踪 origin/main，远端 HEAD = 96080b9，76 个文件已在服务器上（见决策 19/20）
• 推送通道：公网 22 被防火墙过滤 → 改用 Tailscale（100.115.86.48:22）， ~/.ssh/config 加了一条域名别名，remote 里仍写域名

E. L0 实现进度（10/12）

• core/result.py 的 Result - __repr__：单行紧凑；data 只给类型与规模，绝不整数组打印 （十万级数组的 repr 实测仍 < 200 字符）；success 恒在 - summary()：Markdown 表格，可直接贴进论文； 行序 success → params.* → metrics.* → extras.*； float 走 .6g，| 转义，message 以引用行附在表后；幂等无副作用 - 测试：tests/test_core.py 去掉 skip + 新增 3 条 （默认值/失败路径/大数组、Markdown 结构、可重复调用）

• core/random.py 的 get_rng / set_seed（设计由用户本人写，Codex 补齐类型校验） - 无参 get_rng() 复用同一个模块级生成器且会推进：既保证重跑一致， 又避免两个都省略 random_state 的函数抽到同一串数（原决策 24 的取舍已消掉） - get_rng 收 int / np.integer / Generator / None，其余类型抛 TypeError： np.int64 不是 int 的子类，曾因此静默退回全局流 - set_seed 同时调 np.random.seed，覆盖 sklearn / statsmodels 走的 numpy 旧全局 （全项目唯一碰旧接口的地方，带 # noqa: NPY002 与理由） - 测试：TestRandom 共 7 条（可复现、透传、无参跟随、旧全局、np.integer、非法类型、共享推进）

• data/io.py 的 load_table（+ save_table，原属 L1，顺手落地） - 实现由用户本人写（决策 25），Codex 只做审查 + 补测试 - .csv / .xlsx / .xls 按扩展名分派；.csv 默认编码探测 utf-8 → utf-8-sig → gbk → gb18030，显式传 encoding= 时不再探测 - na_values 默认吃下空串 / NA / N/A / #N/A / null / - - 不支持的扩展名抛 ValueError；文件不存在抛带路径的 FileNotFoundError - save_table 的校验顺序已修正：后缀判断提到 mkdir 之前 （此前传 .txt 会先留下一个空目录再抛错） - 测试：tests/test_data.py 由 1 条（且被模块级 skip 掉）扩到 9 条 - docstring 的 Parameters / Raises 已按 §4.7 补齐（Codex 代写，用户授权）—— numpydoc 格式，对齐参考实现 core/random.py 的 get_rng

• data/clean.py 的 clean_missing（L0 第 4 项） - 实现由用户本人写，Codex 只做审查、补测试与文档 - threshold 用 math.ceil 算 min_non_na：3 列、阈值 0.5 时必须是 2， 写 int() 截断会漏删 - 顺手落地兄弟函数 impute_missing / winsorize（原属 L1）

• data/clean.py 的 detect_outliers（L0 第 5 项，S 档，实现由用户本人写） - 语义由用户本人定：非数值列不参与统计，掩码里恒 False（见决策 32） - 三轮修掉的 4 个 bug：threshold 范围校验放错函数、IQR 上界符号、 is_series / is_ld_array 判在类型转换之后（永远为 False）、文本列上算分位数直接崩 - 关键教训：限制掩码 ≠ 限制统计量 —— 只把 mask[numeric_cols] = ... 收窄是不够的，quantile() / mean() / std() 也要一起收窄（见坑 8 / 个人易错点 8） - 返回形状与输入同形；Series 进 Series 出（列名保留）、一维数组进一维布尔数组出 - S 档函数卡片已写：docs/algorithms/detect_outliers.md （含"为什么不返回 Result"、非数值列恒 False 的两条备选路、ddof 口径不一致等） - 测试：tests/test_data.py 该函数共 9 条

• data/clean.py 的两处收尾（Codex 代写，用户授权） - impute_missing 的 mode 分支改为返回新表（原先就地改调用方的表，与另外四支不一致） —— 最后一条 xfail 随之转正，xfail 清零 - detect_outliers 补入参类型校验（§4.7 要求非法类型抛 TypeError）： 接受 DataFrame / Series / list / tuple / ndarray，dict 不再接受（决策 33）

• examples/01_clean_and_describe.py：load_table / save_table / clean_missing / impute_missing / detect_outliers / winsorize 六个函数的最小用法，实测可直接跑通

• data/transform.py 的四个函数（由用户本人实现）：normalize / standardize（L0 第 6、7 项）、 log_transform / one_hot_encode（原属 L1，顺手写了） - normalize：三种 method（minmax / vector / max）都按列；feature_range 校验下界 < 上界； 常量列压到下界而不出 nan（决策 34） - standardize：按列，ddof 真的传下去 —— 测试用解析关系钉住 （ddof=0 → std 恰为 1；ddof=1 → sqrt((n-1)/n) = 0.866） - log_transform：offset=None 时自动取 1 - min(x)，保证 x + offset >= 1 - one_hot_encode：自动识别的 dtype 集合已显式补上 'str' / 'string'（见坑 9） - Codex 清掉 5 条 ruff（RET503 / F541 / RET504 / RET505 / SIM108），并把 feature_range 的两条校验提到 np.asarray 之前、修掉说反的报错文案（条件是"下界必须小于上界"） - 测试：新写 18 条，其中两条是把原先挂着的 skip 转为实跑 —— 见 tests/test_data.py 的 transform 段

• transform.py 的 4 个口径已收口（2026-10-02，Codex 代修，用户授权"报错顺手修掉"）： - 输入白名单统一成模块级 _NUMERIC_TYPES，DataFrame 补进去并移到 np.asarray 之前 （此前 DataFrame 不在白名单 → standardize(df) / log_transform(df) 直接 TypeError， 函数体里所有 is_df 分支都是死代码） - 三个函数都保持"DataFrame 进 DataFrame 出"（列名 + 索引原样带回），Series 进 Series 出 - normalize 的三个 method 分支原来互相覆盖（minmax / vector 算完的结果被末尾 无条件的 x / max 冲掉，三种 method 实际都只走 max），改成 if / elif / else - one_hot_encode 不再拿 data.columns 重包一层（哑变量列名对不上 → 编码列整列丢失） - log_transform 的 offset 守卫写反了（offset > 0 就抛错，恰好拒掉唯一合法用例）， 改成校验真正的定义域前提 min(x) + offset > 0（见决策 35） - docstring 按 §4.7 补齐 Parameters / Returns / Raises（Codex 代写，与 io.py 同一套 numpydoc 格式） - 口径定稿后 ruff 4 条 RET505 一并清掉 → All checks passed；pyright 2 errors → 0

• stats/descriptive.py 的 describe（L0 第 8 项，由用户本人实现，Codex 审查 + 代修） - 一个静默 bug（最危险的那种）：df_num.describe().T 把表转反了（行 = 变量、列 = 指标）， 而 docstring 与 test_describe_reports_expected_keys 都要求"行 = 指标、列 = 变量"。 转置后 .loc[指标名] = <按变量索引的 Series> 与列名零交集，pandas 不报错， 直接把这四行（missing / missing_ratio / skewness / kurtosis）整行填成 NaN。 去掉 .T 一处即修好三件事：方向对了、NaN 没了、weights 分支不再报 cannot set a row with mismatched columns（见易错点 11、决策 36） - median 行补上（pandas 的 describe() 只有 50%，而测试契约定的是 median） - 入参放宽到 list / tuple / ndarray（兄弟函数都收，00_quickstart.py 传的就是 ndarray） - weights 校验补齐：长度、非一维、NaN/inf、负值、和为 0 都抛带原因的错误 （原先和为 0 时裸抛 ZeroDivisionError） - zscore：修 RET505，docstring 补 Parameters / Returns / Raises； coefficient_of_variation：均值为 0 由 TypeError 改为 ValueError（那是取值问题不是类型问题）、 空数组提前报错（原先静默返回 nan + RuntimeWarning）、改掉"异变系数"错别字；分母改用 |mean|（用户本人定，见决策 38） - pyright 的 DataFrame | Series 重载问题按坑 8 用 cast 收窄；ruff 7 条清到 0 - 测试：test_stats.py 去掉模块级 pytestmark（它把 6 条测试全部跳过了 —— 决策 26 说的就是这个，实现写完了却零覆盖），改成逐条 skip 未实现的 5 条， 并新写 20 条 describe / zscore / 变异系数用例

• examples/01_clean_and_describe.py：填掉末尾的 TODO(L0)，加一段 describe 输出

• stats/inference.py 的 correlation_matrix（L0 第 9 项，由用户本人实现，Codex 审查 + 代修） - 硬 bug：if numeric_cols == 0: 拿 Index 和标量比，得到的是布尔数组 —— 0 列时静默不报错、1 列时碰巧能跑、≥2 列直接 ValueError 崩； 而"≥2 个数值列"正是最常见的情况，等于整个函数不可用。改成 len(numeric_cols) == 0（易错点 13） - pyright 的报错也都不是运行时问题：data[numeric_cols] 是坑 8 的 DataFrame | Series 重载 （cast 收窄）；_, p = stats.pearsonr(...) 解包会退化成 object —— scipy 的返回值是 _make_tuple_bunch 运行时拼的类、存根里看不到 pvalue（见 docs/04-environment.md 坑 10）。 加了 _pvalue(result: Any) 小助手统一取 p 值，一处都没挂 # type: ignore - method 校验提到最前、清掉 3 条 F541 / 1 条 RET505 / I001，ruff 归零 - 现在返回：correlation_matrix → 数值系数矩阵（对角线 1.0）； correlation_pvalues → 数值 p 值矩阵（对角线 NaN）； correlation_table → 星标字符串表（对角线 1.000 不带星）。 - 返回契约冲突（已解决）：上一版返回的是带星标的字符串表（1.000***）， 而 docstring 契约与 L0 用例都要求数值矩阵（对角 = 1.0）；按方案 A 拆成三个函数（见下）

• correlation_matrix 的返回契约按方案 A 落地（2026-10-03，用户拍板）： correlation_matrix 只返回数值矩阵；星标表拆成 correlation_table、p 值拆成 correlation_pvalues（三者共用 _check_corr_args 守卫与成对删缺失口径，见决策 41）。 顺带修掉两处：对角线不再带 ***（p 值矩阵的对角线是 NaN、"自己和自己"没有显著性）； p 值与 r 用同一批观测（都成对删缺失、都尊重 min_periods），不再各算各的样本量。 p 值只算上三角再镜像，省一半重复计算。测试 +8 条（含用解析式 t = r·sqrt((n-2)/(1-r²)) 对照）

• stats/inference.py 的 confidence_interval / t_test（L1 提前落地，实现由用户本人写，Codex 审查 + 代修） - 用户问的「307/308 两行报错」不是真错：那两行是 float(res.statistic) / float(res.pvalue)， 报错来自 scipy 的 TtestResult —— 它和 PearsonRResult 一样是 _make_tuple_bunch 运行时拼的类， 存根里没有这两个字段。探针实测 TtestResult(statistic=3.873, pvalue=0.0305)，运行时取值完全正常。 按决策 40 的路子补了一个 _statistic(result: Any) -> float 助手（与 _pvalue 成对）， 一行 # type: ignore 都没挂。详见 docs/04-environment.md 坑 10 - confidence_interval 有真 bug（已修）：原来返回 (float(min(0.0, lower)), float(max(upper, 1.0))) —— min / max 的参数写反（下界被钉死成 0.0），而且无条件把所有 method 的区间夹到 [0, 1]。 实测 confidence_interval(rng.normal(170, 8, 50), method="t") 的下界是 0.0（正确是 171.0 ± 2.1）； confidence=1.5 更是被夹成 (0.0, nan) 而不报错。现在只有 proportion 夹（决策 42）， normal / t 直接返回 mean ± z|t·se；method 非法改抛 ValueError（§4.7）、 confidence 按 (0, 1) 开区间校验、样本量 < 2 抛 ValueError - confidence_interval 的入参放宽到 list / tuple / ndarray / Series / DataFrame： docstring 的 Examples 传 list、L0 用例传 ndarray，原来两条都直接 TypeError - t_test：_clean_data 改用 isinstance(data, pd.DataFrame) 收窄（坑 8 的 cast）、alpha 开区间校验、 df 按 Welch–Satterthwaite / pooled / paired 分别给，docstring 补齐 Parameters / Returns / Raises / Notes（§4.7） - 测试 tests/test_stats.py：+10 条（36 → 46），含把原先挂着 skip 的 test_confidence_interval_matches_scipy 转正； 对照一律用解析式（z 公式、Welch df 公式、t = (mean − value)/(s/√n)），不拿实现对自己 - ⚠️ t_test 还有 3 个口径待用户拍板（Codex 未改，见「下一步」第 6 条）

• core/validate.py 的 as_array（统一入口，2026-10-03 落地） - 用户提出"每个函数都抄一遍入口/校验/交换太麻烦"。结论：入口能统一，出口不能一刀切 —— 还原要求"输出与输入同形"，而 describe / correlation_* / confidence_interval / t_test 的输出形状天生和输入不同，硬套只会重演易错点 14。 - 契约：as_array(x, *, numeric_only=True, dtype=float, ndim=None) -> (arr, kind)， kind 是 "frame" / "series" / "array"（只报告原类型，还原由调用方手写，用户拍的板）。 - 覆盖掉重复：原先 select_dtypes / isinstance(..., pd.DataFrame|Series) 散在 5 个文件 31 处； 现在 normalize / standardize / log_transform / zscore / confidence_interval / t_test 各只剩 1 行入口。data/transform.py 的 _NUMERIC_TYPES 白名单连同 3 份副本一起删掉。 - 两条硬规矩：默认绝不摊平（要摊平显式 ndim=1）；不删缺失值（删缺失是各函数的语义， 见决策 45 与易错点 15）。numeric_only 按"输出是否与输入同形"选，不按喜好选（决策 44）。 - check_array（L1，未实现）实现时直接复用 as_array，一份实现两张脸

• stats/bootstrap.py 的 bootstrap_ci（L0 第 10 项，S 档，实现由用户本人写，Codex 审查 + 代修） - 移植正确性已用解析解钉住：大样本正态下百分位区间半宽 ≈ 2 × 1.96 × se（容差 10%） - Codex 代修的三处： ① random_state=None 时原来另开了 np.random.default_rng()，绕过了 get_rng —— 与决策 24 冲突（set_seed 后仍然不可复现）。改成无条件的 get_rng(random_state)； ② statistic_name 写成 hasattr(statistic, "__name__")，而 lambda 的 __name__ 恒为 "<lambda>"， 导致 else 分支是死代码、自定义统计量拿不到 "custom"（见易错点 17）； ③ ruff 两条（I001 导入块、F541 空 f-string），并把 docstring 的 Parameters / Returns / Raises 补齐（§4.7） - 测试是重点：用户实现写完后，tests/test_stats.py 里等它的 3 条仍然挂着 skip， 全量照样显示"全绿" —— 正是易错点 9 的复发（已把该条 复发 记到 1）。 已摘掉 3 条 skip，并新增 6 条：estimate 等于原样本统计量、confidence 单调性、 五种容器一致、自定义 lambda 走回退分支、不给种子时跟随 set_seed、非法 method 抛错。 - S 档函数卡片已写：docs/algorithms/bootstrap_ci.md（第 2 张）， 记了"极差统计量的区间上界必然塌到 estimate"这个非平凡性质，以及 5 个待拍板口径 - 测试：tests/test_stats.py 的 bootstrap 段共 9 条

• 工程收尾（本轮）：tests/test_solve.py 的模块级 pytestmark = pytest.mark.skip(...) 拆成 9 条逐条 @pytest.mark.skip(reason=_NOT_IMPLEMENTED) —— 模块级 skip 会把整个文件吞掉， 正是易错点 9 的根源（决策 26）。收集数不变（177）、跳过数不变（34），只是粒度变细。

• solve/simulate.py 的 monte_carlo（L0 第 11 项，S 档，算法由用户本人写，2026-10-04） - 核心逻辑：向量化采样 → 一次仿真 → 8 个指标；get_rng 无条件调用（决策 46 已内化） - 用户第二轮改了三处（见决策 48）：批量大小改由实现传 sampler(rng, size=n)； 结果含 NaN 判失败；np.std(data, ddof=0) 写明 - Codex 只碰工程侧，算法一行未动： ① ruff 三条（I001 合并同源 import、F541 空 f-string ×2） ② docstring：补 Parameters（原文漏 random_state / **kwargs）与 Raises；按新契约改写 sampler 说明（必须能接住 size，且 **kwargs 里别再传 size）；Notes 记 NaN 口径； 修掉跑不通的 Examples（原版 lambda rng, **k: rng.normal(0, 1) 返回标量，实测 success=False） ③ 按 §4.7 收严 n 校验：np.int64 不再被拒、n=True 改抛 TypeError、浮点 n 归 TypeError、 n<=0 归 ValueError ④ 格式与文案：success= True → success=True；失败文案"重采样" → "模拟"（从 bootstrap_ci 抄来没改） ⑤ 入口统一 dtype=float —— 修掉一个真 bug：布尔结果（"事件是否发生"，MC 最常见的用法） 会让 np.std 在 numpy 2 里抛 boolean subtract ... is not supported，整个函数判失败； 字符串结果也从"ufunc isnan 不支持"变成可读的 could not convert string to float - 测试：10 条（tests/test_solve.py）—— 返回长度与 8 个 key、simulator 只被调用一次（向量化的可执行版本）、 同种子可复现、省略种子时跟随 set_seed、E[X²]=1（n=2e5）、docstring Example 真能跑、np.int64 的 n、 布尔结果按 0/1 统计、NaN 结果判失败、5 个非法入参 - 行为探针实测：simulator 调用次数 = 1（真向量化）；20/20 次区间覆盖 0

• solve/simulate.py 的 monte_carlo_probability（L1，S 档，算法由用户本人写，2026-10-05） - 核心：向量化 event(batch) -> bool 数组 → p = mean(data) → Wilson score 区间并夹到 [0, 1] （比例量纲，沿用决策 42 的口径——同类问题没重犯） - 用户第二轮（2026-10-05）按 6 条待办改掉 5 条：Wilson 替 Wald、callable 入口校验、 confidence 记进 params、float() 统一 ci 类型、小概率不再判失败（改成 message 里的警告）——见决策 50 - Codex 第三轮只碰工程侧：① z_score^2 → z_score**2 —— 真 bug：^ 是异或， numpy 浮点直接抛 TypeError，被 except 吞成 success=False，6 条测试全红才暴露（易错点 21）； ② message 无警告时的尾逗号；③ {"confidence":confidence} 的空格；④ docstring 的 "Wald" → "Wilson"； ⑤ 新增 1 条对照测试：区间必须等于 statsmodels.proportion_confint(method="wilson") - 行为探针实测：p≈0.5 正确（0.49991 @ n=2e5）、confidence 变大区间变宽、 同种子可复现、省略种子跟随 set_seed、np.int64 的 n 可收、confidence=1.5 抛 ValueError - Codex 只碰工程侧，算法一行未动： ① ruff 六条（SIM300 Yoda、W291 ×2、W293 ×2、F541） ② docstring：补 Parameters（原文只有 Returns/Notes/Examples）与 Raises， 修掉跑不通的 Examples（原 lambda rng, **k: rng.normal(0, 1) 返回标量，实测 success=False）， 并把"Wald 区间 + 夹到 [0,1]"与"p <= 1e-3 判失败"两条现状如实写进 Returns / Notes ③ 格式：metrics 字典缩进、{"n":n, ...} 空格、行尾空白 ④ 文案：NaN 提示里的 "simulator" 改成 "event"（从 monte_carlo 抄来没改） - 测试：摘掉 2 条 skip（test_monte_carlo_probability_of_standard_normal、test_monte_carlo_is_reproducible —— 实现写完还挂着 skip，正是易错点 9）并新增 5 条，solve 段共 24 条

• solve/simulate.py 的 monte_carlo_integral（L1，S 档，算法由用户本人写，2026-10-05） - 核心：bounds → 自己造 (n, d) 均匀样本 → 逐点求值 → mean(func(X) × 体积)； 自造 sampler / simulator 再复用 monte_carlo —— "造批 → 一次算 → 汇总"这套骨架的第二次复用 - Codex 只改了一处真 bug（决策 31，纯 bug）：体积写成 wights = lows - highs（名字打错 + 减反）。 奇数维体积为负：1D x² 于 [0,1] 实测 -0.3324（应 +1/3）、3D x 得 -0.5005（应 +1/2）； 而 2D x·y 得 +0.2499 "看着对" —— 两个负号相乘抵消，把 bug 藏住了。 改成 widths = highs - lows 后复测 0.3324 / 0.5005 / 1.9971（[0,2]） 全部正确 - Codex 只碰工程侧：① docstring 补 func / n / random_state 三节 Parameters 与 Raises； ② Returns 写清"metrics["mean"] 才是积分估计值，data 是 n 个样本各自的贡献"； ③ 修掉跑不通的 Examples（原版断言 abs(r.data - 1 / 3) < 0.01 —— data 是数组， bool(数组) 会抛 ValueError: truth value ... is ambiguous），改成断言 metrics["mean"]； ④ 格式：bounds_arr[:,0] → [:, 0]、函数间空行（def random_walk 前只留了 1 个空行） - 测试：新增 4 条 + 摘掉 1 条 skip（solve 段共 30 条）—— 1D 收敛到 1/3（n=2e5）、 3D 抓体积符号（奇数维）、[0,2] 抓宽度（偶数维藏不住）、2D + name/dimension/bounds 三个 params、 (1, 0) 抛 ValueError。三条"抓符号"用例就是照着上面那个"2D 掩盖效应"设计的 - ✅ 3 条待办已由用户第二轮办结（同日）：message 改成 if result.success: / else: 两支（失败语义不再被覆盖）； 入口补 isinstance(bounds, (list, tuple)) + ndim == 2 and shape[1] == 2 两道（[0, 1] 从裸 IndexError 变成可读 ValueError）； n 注解放宽为 int | np.integer。⏳ 尚有 2 条新口径（bounds 收不收 ndarray、if/else 三行重复）见"下一步"

• solve/simulate.py 的 random_walk（L1，S 档，算法由用户本人写，2026-10-05） - 核心：step_sampler(rng, size=(n_paths, n_steps)) 一次抽完整批增量 → np.cumsum(..., axis=1) → 首列填 start、其余列 start + cumsum。data 形状 (n_paths, n_steps + 1) - Codex 改了一处真 bug（决策 31，纯 bug）：默认采样器写 rng.integers(0, 2, size=size, dtype=float)， 而 numpy 的 integers 不收 dtype=float（TypeError: Unsupported dtype dtype('float64') for integers） —— 默认路径 100% 失败（success=False、data=None），连 docstring 的 Examples 都跑不通。 改成 rng.integers(0, 2, size=size) * 2 - 1（后面的 np.asarray(..., dtype=float) 负责转 float）。 实测：(5, 101) 形状、diff 恒为 ±1、同种子可复现 - Codex 只碰工程侧：① ruff 两处 W293（只有空格的行）；② docstring 补全（原只有 step_sampler 一节， 现补齐 n_steps / n_paths / start / random_state + Returns / Raises / Notes， 并写清 step_sampler 收的是二维 size=(n_paths, n_steps)）；③ Examples 增加一条"步长恒为 ±1"的断言 - 测试：新增 6 条（此前 random_walk 一条测试都没有）—— 形状与 start 列、默认步长恒 ±1、 同种子可复现、自定义高斯采样器（带漂移）、3 类非法入参、docstring Example 真能跑 - 用户第二轮（2026-10-05）按 4 条待办改定：n_steps / n_paths 拆成 TypeError（类型）/ ValueError（取值）； 加 steps.shape != (n_paths, n_steps) 与 NaN 两条校验；默认采样器换成 rng.choice([-1.0, 1.0], size=size)； params 补 random_state；metrics 由"抄 params"改成 mean_terminal / std_terminal（终点位置，ddof=0） - Codex 第二轮又抓到一处真 bug（决策 31）：用户把 call_params = {...} 写进了 try 里，而 except 分支要引用它 —— 5 种失败输入 5 个全炸 UnboundLocalError（本该返回 success=False 的 Result，变成把异常抛给调用方）。 按原意把 call_params 移到 try 之前（不动任何口径），实测失败路径全部恢复正常；新增一条"必然失败"的回归测试（易错点 26） - 测试：本轮再 +3 → 共 9 条（新增"失败也必须返回 Result 且带 params"、NaN 判失败、√t 扩散）； start="a" 那条恢复成 pytest.raises(TypeError)（用户恢复了入口校验，见下） - 第三轮（2026-10-05）：start 校验恢复、注解放宽为 int | np.integer；最后一条"方阵歧义"用户选方案 B， step_sampler 契约改为"整数 size=n_paths * n_steps + 必须返回一维 + 内部行主序 reshape"（决策 55，Codex 代改）

• solve/simulate.py 的 markov_simulate（L1，S 档，算法由用户本人写，2026-10-05） - 核心：arr[current_states] 取当前状态那一行 → cumsum 得累积分布 → 用 [0, 1) 均匀数"落格" （(cum_probs < r[:, None]).sum(axis=1)）→ 写进下一列。data 形状 (n_paths, steps + 1)，值是整数状态编号 - Codex 审查结论：算法本体正确（探针实测 (2000, 201)、状态 ∈ {{0,1}}、200 步后终点频率 [0.657, 0.343] 对照平稳分布 [2/3, 1/3]、同种子可复现） - Codex 只碰工程侧：① ruff 8 条全清（I001 导入排序 + 5 处 W293 / 2 处 W291 空白）； ② arr, kind = as_array(...) 的 kind 全程未用 → 改 arr, _； ③ docstring 从一行补到完整的 Parameters / Returns / Raises / Notes / Examples； ④ 文案：马尔科夫 → 马尔可夫（3 处）、initail → initial、半角逗号 → 全角；paths[:,0] → paths[:, 0] - 测试：新增 9 条（此前 markov_simulate 一条都没有）—— 形状 / 首列 / 状态取值 / 整数 dtype、 单位矩阵吸收态自锁、可复现（同种子相同、异种子不同）、终点频率收敛到 [2/3, 1/3]、 metrics = 终点状态、非法转移矩阵（非方阵 / 行和不为 1）、非法 steps / n_paths（0 / float / bool）、 np.int64 可收、docstring Example 真能跑 - 第二轮（2026-10-09）：用户补了 np.any(arr < 0) 非负校验 → 待办 ② 办结； Codex 补一条"行和是 1 但含负元素"的回归测试 - ⏳ 余下 4 条见"下一步 → markov_simulate 待你拍板"（全是入口口径与少考虑情况，决策 49）

• solve/simulate.py 的 markov_steady_state（L1，S 档，算法由用户本人写，2026-10-09） - 核心：v 从均匀分布出发，v_next = v @ arr 反复推进（行随机矩阵按行向量右乘）， 直到 max|v_next - v| < tol 或耗尽 max_iter；data 是平稳分布向量，metrics={"converged", "iterations"} - Codex 审查结论：算法本体正确（探针实测）—— 2 状态 [2/3, 1/3]（58 次迭代）、3 状态与 np.linalg.eig(P.T) 特征值 1 对应的特征向量逐位一致（39 次）、随机 6 状态一致（13 次）、200×200 一致到 1.9e-12（6 次、0.10s）、 与 markov_simulate 的终点频率互验 [0.6702, 0.3298] vs [0.6667, 0.3333]、sum(data) = 1.0 - Codex 只碰工程侧：① ruff 5 条 W293 全清，mm1_metrics 前 4 个空行 → 2； ② docstring 补 max_iter / tol 两个参数（原来 Parameters 里只有 transition）、补 Raises， 写清 tol 是相邻差口径（实测慢混合链 tol=1e-10 → 实际误差 4.6e-9，被 1/(1-|λ2|) 放大）； ③ 修正 Notes 里"周期链会不收敛"的说法（可约链的实情是"平稳分布不唯一、迭代法给离初值最近的那个"）； ④ 失败文案 失败: → 失败：（与文件内其它函数统一） - 测试：+8 条、摘掉 1 条 skip（此前该函数只有 1 条挂着的 skip）—— 2 状态 [2/3, 1/3] + converged / iterations、 3 状态与特征分解对拍、data 是分布（和为 1 / 非负 / float64）、慢混合链迭代次数 > 100、 np.int64 的 max_iter、非法转移矩阵、max_iter=0 / tol=0、docstring Example 真能跑 - 第二轮（2026-10-09，用户改定）：补非负校验（① 办结）、params 记 transition（⑥ 办结）、 success=converged（选口径 B，④ 办结）、tol 拆成 TypeError / ValueError 且先判 bool（② 办结）； Codex 顺手修文案（max_iter <= 0 那条写成 "tol 必须是正数"）与 异常: → 异常：， 并补 2 条测试（负元素矩阵、max_iter=3 未收敛走 success=False） - ⏳ 余下 3 条 + 1 个新口子见"下一步 → markov_steady_state 待你拍板"（决策 57）

• solve/simulate.py 的 mm1_metrics（L1，S 档，算法由用户本人写，2026-10-09） - 核心：闭式解 ρ = λ/μ、L = ρ/(1-ρ)、Lq = ρ²/(1-ρ)、W = 1/(μ-λ)、Wq = W - 1/μ； λ >= μ 走"系统不稳定"分支返回 success=False - Codex 审查结论：公式全对（探针实测 3 组参数 (2,3) / (1,4) / (0.5,1.0) 与闭式公式逐位一致， W = Wq + 1/μ 恒等式也成立） - Codex 修了一处边界 bug（决策 31，纯 bug）：稳定性判断写成 service_rate < arrival_rate， 而 docstring 与既有测试的口径都是 λ >= μ —— 于是 λ == μ 掉进 try、rho == 1.0 → ZeroDivisionError 被 except 吞成 success=False（结果碰巧对，message 却是"计算失败：ZeroDivisionError"）。 两支的可观测输出完全相同（success=False / metrics={} / data=None），改 <= 只换 message，故直接修并加回归测试 - Codex 只碰工程侧：① ruff 6 条（5 处 W293 + F541 f-string 无占位符 + W292 文件末尾无换行）； ② 文案：service_rate 的报错写成 "tol"、max_iter 的也写成 "tol"（同一轮里 3 处参数名抄错）、半角逗号 → 全角； ③ call_params={...} → call_params = {...}；④ docstring 补 Raises + 说明 data 与 metrics 同值 - 测试：+6 条、摘掉 2 条 skip（此前只有 2 条挂着的 skip）—— 闭式公式逐项对拍（含 W = Wq + 1/μ）、 λ == μ 与 λ > μ 都判失败且带"不稳定"文案、入口（0 / 负数 / bool / 非数值）、 λ == μ 不能靠 ZeroDivisionError 落到失败分支、docstring Example - ⏳ 留给你的 4 条见"下一步 → mm1_metrics 待你拍板"（决策 58）

• 剩余 1 项：save_figure（A 档 = 工程，Codex 直接写）

验证结果

检查	venv	conda mcm-toolkit
pytest	见下（单列）	202 passed, 28 skipped（0 xfail）
import mcm_toolkit	0.0.1 / 16 项	0.0.1 / 16 项
ruff check	All checks passed	All checks passed（0 error）
scripts/doctor.ps1	跑通	—
SALib / pymoo / pyright	缺失	已装

• pyright（分析目标 = 工作区 .venv）：0 errors, 0 warnings （修配置之前是 17 errors，全是"无法解析导入 numpy / pandas"，见决策 29 与 docs/04-environment.md 坑 7）
• base 亦已复核：numpy 2.4.6 / scipy 1.18.1 / pandas 3.0.6（与两套环境一致）
• 230 条用例：202 passed / 28 skipped / 0 xfail。收集数按文件：test_data.py 52、test_api_surface.py 20、 test_core.py 23、test_solve.py 62（本轮 +4、再摘掉 2 条 skip）、test_viz.py 8、test_decision.py 7、 test_stats.py 53、test_models.py 5
• xfail 再次清零：correlation_matrix 的契约冲突已按方案 A 解决（决策 41），那条用例转正
• 上一轮那 7 条 xfail 已全部转正，决策 30 那套信号（XPASS → 摘 mark）跑完过一个完整闭环
• examples/01_clean_and_describe.py 实测跑通（exit 0）；00_quickstart.py 仍等 stats / viz
• 28 条 skip 是等实现的算法（train_test_split、anova、fit_distribution、knapsack_dp、 linear_program、simulated_annealing 等）； monte_carlo_probability / monte_carlo_integral / markov_steady_state / mm1_metrics 已落地，分别摘掉 2 / 1 / 1 / 2 条 skip；markov_simulate 新增的 9 条全部实跑； TestValidate 的 4 条仍挂着 —— check_* 还是 NotImplementedError，但它们实现时应当直接复用 as_array
• 本轮回归（已修）：transform.py 上一版有 3 处真 bug —— 修前 7 failed / 75 passed， 且 pyright 在同一处报 reportArgumentType。不是静态误报：pyright CLI 复现 + 测试真红。 结论：见到红线先跑 CLI 与 pytest，不许直接挂 # type: ignore（见个人易错点 10）
• 三个 .ps1 通过 PowerShell AST 语法解析

⚠️ 需要注意 / 遗留

• 两套环境版本不一致 → 已解决：base 升级到 2026.07 后， numpy/scipy/pandas/matplotlib/sklearn/statsmodels/networkx/sympy 版本完全一致， 只差 Python 补丁号（3.13.9 vs 3.13.15）。详见 docs/04-environment.md §5。
• Gitea 远程尚未配置 → 已配置并推送完成，见上面 D 节与决策 19/20。 note：仓库当前是 Public（匿名 git ls-remote 可读），要改私有去 Gitea 仓库设置。
• L0 完成 11/12（Result、get_rng/set_seed、load_table/save_table、clean_missing、 detect_outliers、normalize、standardize、describe、correlation_matrix、bootstrap_ci、 monte_carlo（用户写，2026-10-04））；另 L1 的 confidence_interval / t_test / monte_carlo_probability / monte_carlo_integral 已提前落地； L0 只剩 save_figure（Codex 写），详情见 E 节与"下一步"
• 本机 exec_command 在沙箱模式下完全不可用 （helper_unknown_error: setup refresh had errors），只有提权 （require_escalated）模式可用。沙箱模式只允许写 D:\MCM&ICM_Toolkit。
• 副作用：沙箱通道（Node 子进程）以 CodexSandboxOffline 账户运行， 它写出的文件 Owner 是沙箱账户而非 guzhu。 实测 guzhu 对这些文件仍有 Modify 权限（继承自 Authenticated Users）， 读写不受影响；但 git 的 dubious ownership 检查会因此误报， 所以 .git 必须由本人账户创建（见决策 17）。 若以后再用沙箱通道写文件，注意同一问题。

决策记录

#	决策	理由
1	包数从 14 砍到 7	regression/ml 重复；optimization/simulation/sensitivity 同族；dynamics/network 低频 → 降级为模块
2	只保留 1 个 Result	第一版没有任何函数需要区分 5 种结果类型，属过早分类
3	函数清单从 ~250 砍到 ~40	4 天赛程的工具，不是 6 个月的框架；没在真题里用过三次的不写
4	删掉 maximize / 重复的 normalize / 13 个 plot_* 等	同义或一行转发；plot(kind=...) 替代 13 个函数
5	文档从"每函数 10 项"降到 2 档	10 项文档的写作成本是实现的 20 倍，是最可能导致项目停滞的一条
6	补上原文缺失的论文产出链路 save_table / mcm_style	美赛是论文比赛；原文只给了一个 save_figure
7	补上永久不做清单	原文用"建议不要"，防不住膨胀；写成硬规则
8	venv 用 --system-site-packages	10.5 MB、离线可用；作为轻量开发与断网兜底
9	conda 环境用精准包列表而非 --clone base	实测 --clone 会重放 base 全套包并逐个下载（连 pandoc 都下），远慢于精准列表
10	生成的是签名 + docstring + NotImplementedError	用户要自己读代码学算法；骨架定接口，实现留给学习过程
11	.ps1 写成纯 ASCII（英文注释/输出），而非中文	Windows PowerShell 5.1 无 BOM 时按 GBK 解析 .ps1，中文直接导致语法错误；保留中文就必须加 BOM，违反 AGENTS.md
12	.ps1 用 LF 而非 CRLF	遵守 AGENTS.md「shell 脚本 UTF-8 无 BOM + LF」；PS 5.1 对 LF 无问题
13	chatGPT_Suggestion.md 保持原样	用户手写的输入文件，不属于本次产物，不做无谓改动
14	base 升级用 conda update -n base --all，而不是装新 conda	计划干净（365 更新 / 0 删除 / 0 冲突），且能保留既有的 lingbot-map 环境
15	项目环境 numpy 降到 base 的 2.4.6	升 base 的 numpy 会连带把 BLAS 从 MKL 换成 OpenBLAS；宁可降一个 minor，也不动整套线性代数后端
16	新增 .gitattributes 强制 LF	仓库要给队友在 Windows/WSL/Linux 上 clone，不固定行尾会产生"整文件都变了"的假 diff
17	.git 由本人账户 guzhu 重建，不做 safe.directory 豁免	沙箱通道建的 .git Owner 是 CodexSandboxOffline，git 会报 dubious ownership。加全局豁免是把问题藏起来；直接以本人账户重建，仓库和远程（Gitea）身份一致
18	core.autocrlf=false（仓库级）	配合 .gitattributes 的 LF 策略，避免 Windows 上 checkout 又转成 CRLF
19	Gitea 的 SSH 走 Tailscale 内网，不在公网开 22	实测公网 8.145.36.108:22 超时（服务器侧过滤，本机出站 22 没被封：github.com:22 可通），而 Tailscale 100.115.86.48:22 可达且 git@ 认证直接过 Gitea。remote 里仍写域名，域名→内网 IP 的映射放在 ~/.ssh/config，换机只改一处
20	首次推送用 --force-with-lease 覆盖 Gitea 的 Initial commit	远端那个提交是建仓时自动初始化产生的，与本地无共同祖先，普通 push 必被拒。推送前已把其中的 LICENSE 与手写简介并入本地 README.md，原提交仍留在本机对象库（1c683cf）
21	Result.__repr__ 不打印 data 内容，只给类型与规模	模拟轨迹动辄十万个数，repr 一旦刷屏，traceback / 调试器 / notebook 输出就全废了。要看数据请直接取 result.data
22	Result.summary() 的行序 = 字典插入顺序，不排序	比赛时"想先看哪个指标"自己决定键的插入顺序即可，工具不该替人排序
23	set_seed 内部允许调用 np.random.seed（带 noqa）	sklearn / statsmodels 默认走 numpy 旧全局状态，只记自己的 _GLOBAL_SEED 覆盖不到它们，"提交能重跑"就是假的。旧接口在这一个点上不是"取随机数"而是"设种子"，性质不同
24	get_rng(None) 复用同一个模块级生成器（会推进），不每次新建	用户本人提出，取代 Codex 原来"每次新建 default_rng(全局种子)"的写法——那样两个都省略 random_state 的函数会抽到完全相同的数。共享单例既保证重跑一致，又让流自然推进
25	src/ 下的实现默认由用户本人写，Codex 只改 tests/ 与 docs/	目标是"一边学一边自己写"。曾出现 Codex 直接落盘 random.py、与用户编辑器缓冲区冲突导致保存失败。需要代写时用户会明说
26	未实现的算法用逐条 @pytest.mark.skip，禁用模块级 pytestmark	模块级 skip 会把同文件里已经写好的函数一起跳过。本次 test_data.py 就这样让 load_table 零覆盖，直到有人手动数才被发现
30	已知待修的契约用 @pytest.mark.xfail(strict=False)，不用 skip	skip 会让"契约还没写"和"写了但实现有问题"混在一起，5 条 skip 曾把 clean.py 的 bug 全藏住。xfail 照样进报告，修好后自动变 XPASS，是"修好了"的信号，而且 XPASS 不失败，不会卡住提交
29	静态分析器钉死到工作区 .venv，并把 base 的 site-packages 用 .pth 链进去	pyright / Pylance 不认 pyvenv.cfg 的 include-system-site-packages，.venv 自己只有 pip；不钉的话它们会去 PATH 上找 python，本机 PATH 上那个是 Codex 运行时的 3.14 shim，没有科学栈，于是报"无法解析导入"。.pth 是唯一被 pyright 认的转发手段
28	不启用 ruff 的 preview 规则集	E302（函数间要 2 个空行）在 ruff 0.16 里是 preview 规则，select = ["E"] 默认不包含它——所以少一个空行 ruff 照样报 "All checks passed"。行数空行得自己盯，别指望 lint
34	常量列（max == min）不定区间也不崩：normalize 压到 feature_range 下界，standardize 给 0	除零必须有个确定的答案，不能出 nan / inf。给 0 与 sklearn 的 MinMaxScaler / StandardScaler 一致（sklearn 把常量列的 scale 设为 1，结果就是 0），换库不换结论。行为已由 test_normalize_constant_column_stays_finite 与 test_standardize_constant_column_stays_finite 钉住
33	detect_outliers 只接受 DataFrame / Series / list / tuple / ndarray，dict 一律 TypeError	§4.7 要求非法类型抛 TypeError 而非静默兜底。dict 以前能"碰巧"被 pd.DataFrame() 转成表，但那不是文档承诺的形状，静默接受会让调用方以为传什么都行；tuple 则补进文档与 is_ld_array，与 list 同等对待
32	detect_outliers 对非数值列恒返回 False（既不跳过也不报错）	用户本人在两条路里选的。跳过会让 docstring 里"与原数据同形"变成谎话（形状对不上，没法按位置对回原表）；报错则让一张带 city 列的真题表直接不可用。False 的读法是"这一列没有离群点"，对文本列是最不坏的解释，也让整表能一次跑完
31	Codex 可直接改 src/ 的范围：纯 bug（不改接口与语义）、格式、死代码	决策 25 说实现归用户，但"能跑"是底线：winsorize(pd.Series) 因 select_dtypes 在 Series 上不存在而直接崩、测试变红，这种必须当场修。凡是要选一个语义的（文本列返回什么、mode 要不要就地改）一律留给用户本人，Codex 只把选项和影响列清楚
27	base 里的 zstandard 残骸目录改名禁用，不删除、不重装	删掉不可逆；pip install zstandard 会给 base 塞一个 conda 记录里根本没有的包，下次 conda update --all 又要重新判断。改名后 import 变回正常 ModuleNotFoundError，pandas 自动跳过
35	log_transform 的显式 offset 按定义域前提校验：min(x) + offset > 0 才放行
36	describe 的返回表不转置：行 = 指标、列 = 变量
37	非数值列的处置按输出契约分，不按包分：describe / zscore 直接丢掉；detect_outliers 保留列、掩码恒 False
两族函数的产出物不一样：describe / zscore 吐的是数值结果表，文本列塞不进去，丢掉才能得到一张干净、可直接贴论文的表；detect_outliers 吐的是与原表同形的掩码，必须能按位置对回原表，丢列就废了。"不统一"不是前后矛盾，是契约不同。用户 2026-10-03 拍板：丢掉更好
38	coefficient_of_variation 用 `σ /	mean
均值为负时 σ/μ 会给出负值，容易被读成"波动更小"，其实只是符号跟着均值走。取绝对值后 CV 恒非负。可比性仍只在均值远离 0 的比率尺度数据上成立（已写进 docstring 的 Notes）
39	工作约定：语义 / 非法输入口径由用户拍板，Codex 只列选项与影响、不代选；ruff、STATUS.md、CHANGELOG.md、tests/、docstring 这类与算法无关的工程事务，Codex 顺手补掉
40	scipy 的检验结果统一走 _pvalue(result: Any) -> float 助手取 p 值，不逐处挂 # type: ignore
41	correlation_matrix 只返回数值矩阵；星标表拆 correlation_table、p 值拆 correlation_pvalues
用户 2026-10-03 选方案 A。数值矩阵能做的事（挑高相关对、喂聚类 / PCA、画热力图）字符串表都做不了，而反过来随时能格式化 —— 展示需求属于输出端，不该侵占返回值；一旦返回字符串，数值信息不可逆地丢失。三个函数共用 _check_corr_args 守卫与成对删缺失口径，correlation_table 在最外层调另外两个（计算型当主、展示型当辅）。见易错点 14
42	confidence_interval 只有 proportion 夹到 [0, 1]；normal / t 是均值区间，一律不夹
原码把三种 method 的区间无条件夹进 [0, 1]，且 min / max 参数写反（见易错点 15），实测把身高均值区间下界压成 0.0。均值区间的量纲本来就不在 [0, 1] 里；只有比例 p ± z·√(p(1−p)/n) 的边界才有意义。Codex 代改、待用户确认 —— 若原意是"什么区间都夹"，改回 _clip 一行即可
43	scipy 检验结果的统计量也走 _statistic(result: Any) -> float 助手，与决策 40 的 _pvalue 成对
TtestResult 与 PearsonRResult 同源（_make_tuple_bunch 运行时拼类），存根里 .statistic / .pvalue 都没有。用户报的「307 / 308 行报错」就是这两处，不是真 bug（探针实测取值正常）。见 docs/04-environment.md 坑 10
44	所有收数值的函数统一从 core.validate.as_array 进；还原不代做，调用方按返回的 kind 自己手写
用户 2026-10-03 提"每个函数都抄一遍入口/校验/交换太麻烦"。能统一的只有入口：出口要求"输出与输入同形"，而 describe / correlation_* / confidence_interval / t_test 天生不同形，硬套会重演易错点 14。用户明确"不要三个函数""转换回去自己手打"，所以 as_array 只返回 (arr, kind)，ArraySpec / restore 都不做。numeric_only 默认 True（用户拍的板），但按输出契约选：同形函数必须显式 False
45	as_array 不删缺失值；容器类型/内容转换失败统一抛 TypeError
删缺失是语义（df.corr 成对删、describe 整列统计、paired=True 的 t 检验必须成对删），在入口层删掉就把行对应关系永久丢了 —— 这正是 t_test 待拍板的口径之一。错误口径统一为 TypeError 是Codex 代选、待用户确认：normalize(含文本列的表) 原先由 numpy 抛 ValueError，现在是 TypeError（内容转不成 float）；describe 的 weights 同类情况目前仍抛 ValueError（决策 39 说不统一就列出来）
46	bootstrap_ci 的随机数无条件走 core.get_rng；statistic_name 用 getattr(f, "__name__", None) 再判 "<lambda>"
原码 random_state=None 时另开 np.random.default_rng()，等于绕开决策 24（set_seed 对它无效，区间不可复现）。Codex 代改：get_rng(None) 本来就是设计好的"复用模块级生成器且推进"，直接传下去即可。statistic_name 的 else "custom" 是死代码 —— lambda 也有 __name__（值恒为 "<lambda>"），实测拿不到 "custom"，见易错点 17
PearsonRResult / SignificanceResult 是 _make_tuple_bunch 在运行时拼出来的类，存根里没有 pvalue 字段：解包会退化成 object、属性访问会报"未知"。运行时完全正常（实测三个函数返回的都是 np.float64）。收成 Any 是一处收窄，调用点仍然干净；# type: ignore 要挂在每一处，且会连带关掉该行后面的检查。见 docs/04-environment.md 坑 10
用户 2026-10-03 明确：没考虑到的非法情况"告诉我我自己改"——因为那是设计决策，得由写实现的人形成判断；而 lint / 进度板 / 测试这类机械活再由用户动手只是浪费。这条与决策 25 / 31 配套：25 定"谁写 src"，31 定"Codex 可改的 bug 范围"，39 定"非算法事务的默认归口"
docstring 与 test_describe_reports_expected_keys 早就写死了这个方向，实现里多做的 .T 是净负担 —— 且不是"风格不同"那么轻：转置后 .loc[指标名] = <按变量索引的 Series> 与列名零交集，pandas 不报错、把四行整行填成 NaN。方向约定以"能按列名对齐"为准，见易错点 11
原码写的是 if offset > 0: raise，把唯一合法的用例（正 offset 正好抬定义域）全拒了，报错文案却是"offset 必须大于 0"，自相矛盾。改成校验真正的前提：log 要求自变量取正。offset=0 对全正数据合法（offset=None 的自动分支本来就取 0）。Codex 代选、待用户确认 —— 若原意是"只收正 offset"，改回即可
47	算法一律由用户本人写；工程由 Codex 写（用户 2026-10-03 明确）
用户原话："记住算法的东西一定要我来写，以后就算我说让你来写你也不要帮我写，工程我觉得我还可以，你写我看吧"。
这条比决策 25 更硬：25 说"默认归用户"，47 说"即便用户改口也不代写"——目的是保住"一边学一边自己写"的学习路径。
工程侧（入口/校验、tests/、lint、文档、卡片、.gitignore）反过来由 Codex 直接落盘，用户只读；
分地盘按文件划，不按函数划。决策 39 的"语义由用户拍板"继续有效。

| 48 | monte_carlo 的四个口径由用户拍板：实现传 size=n；结果含 NaN 判失败；std 用 ddof=0；出错仍统一返回 success=False | 用户 2026-10-04 直接改在代码里。① 批量大小由实现传（sampler(rng, size=n, **kwargs)）：调用方少写一次， 代价是每个 sampler 都必须能接住 size，且 **kwargs 里不能再传 size（会重复传参）—— 已写进 docstring。 ② 结果里只要出现 NaN 就 success=False：MC 的 NaN 多来自除零 / 模型发散，静默统计只会得到一列 nan 指标。 ③ np.std 默认 ddof=0，现在显式写明（与 describe 那条线的 ddof=1 不一致，属已知差异）。 ④ 计算期异常仍全部包成 success=False（保留 try/except Exception）；代价是自己写错代码时没有 traceback。 配套 Codex 代改：入口 np.asarray(..., dtype=float) —— 布尔结果此前会让 np.std 抛错（真 bug，已修）。 唯一未定：ci_low/ci_high 保持"结果的分位数"（现状）还是改成"均值的置信区间"。

| 49 | 这类改动归用户本人：入口没收紧、少考虑情况、不符合简单原则 —— 用户 2026-10-04 明确"交给我改，不要帮我改" | 用户原话："以后像这种入口没收紧、少考虑情况、不符合简单原则的情况交给我改，不要帮我改，把这几条经验写入经验文档"。 这是决策 47 的收窄：47 把"入口 / 校验重构"划给了 Codex，49 把它收回 —— 凡是带判断、取舍、设计成分的， 一律由用户写，Codex 只报告 + 列选项（与决策 39 同一逻辑）。判据一句话：这处改动要不要"想一下才对" —— 要，就留给用户；不要（ruff、格式化、docstring 缺节、tests/、STATUS / CHANGELOG、函数卡片）才由 Codex 顺手补。 本轮实例（本该留给用户，Codex 已代改、用户可回退重写）：monte_carlo 的 n 按 §4.7 收严；入口 np.asarray(..., dtype=float)。 经验已写入 docs/dev/personal-pitfalls.md 第 18 / 19 / 20 条，并把第 1 条（类型判断只写 int）复发 +1。

| 50 | monte_carlo_probability 的区间由 Wald 改 Wilson score；小概率不再判失败（改成 message 警告）；confidence 记进 params | 用户 2026-10-05 按"6 条待办"自行改定。Wilson 在 p 贴近 0 / 1 时不会退化成零宽：实测 p=1、n=1000 从 (1.0, 1.0) 变成 (0.99617, 1.0)；p=0 从"判失败"变成 (0.0, 0.00383)（原 Wald 是 0）。区间口径与 statsmodels.proportion_confint(method="wilson") 对齐，已加成对照测试。 遗留（2026-10-05 第二轮复核，同日已清）：event: Callable[..., bool] 注解与"吃整批、返回数组"不符 → 已改 Callable[..., Any]； 警告文案把 p≈1 也说成"小概率事件" —— 用户已于同日改掉（现在两半都覆盖，见 CHANGELOG 本轮）。

| 51 | monte_carlo_integral 的 data = n 个样本各自的贡献（func(X_i) × 体积）；积分估计值看 metrics["mean"] | 用户 2026-10-05 写完实现。Codex 审查只改了一处纯 bug（决策 31）：体积 lows - highs → highs - lows —— 奇数维体积为负（1D x² 于 [0,1] 实测 -0.3324、3D x 得 -0.5005），而 2D 因两个负号相乘"看着对" （+0.2499），把 bug 藏住了；改后实测 0.3324 / 0.5005 / 1.9971 全部正确。docstring 与测试都按上述口径写死。 留给用户 3 条：① result.message 无条件覆盖（失败被写成"成功"）；② bounds 形状没校验（[0, 1] 抛裸 IndexError）； ③ n: int 与全模块的 int | np.integer 不一致。

| 52 | monte_carlo_integral 的入口口径由用户第二轮改定：message 只在成功分支改写；bounds 必须是非空 list/tuple 且形状 (d, 2)；n 收 int \| np.integer | 用户 2026-10-05 按 Codex 报的 3 条自行改定。message 走 if result.success: / else:（失败分支保留失败语义并追加追溯信息： 维度 / 体积 / 模拟次数）—— 修掉"success=False + 一句成功文案"的自相矛盾。bounds 入口两道校验把 [0, 1] 从 IndexError: too many indices 变成带当前形状的可读 ValueError。遗留 2 条新口径： ① isinstance(bounds, (list, tuple)) 把 np.array([[0, 1]]) 也拒了，与"尽量传 ndarray"的偏好冲突； ② if / else 两支里 name / params["bounds"] / params["dimension"] 各写了一遍（易错点 20）。

| 53 | random_walk 的默认步长采样器不能用 rng.integers(..., dtype=float)（numpy 直接抛 TypeError）；step_sampler 收到的 size 是二维 (n_paths, n_steps) | 用户 2026-10-05 写完第一版。默认采样器原写 rng.integers(0, 2, size=size, dtype=float) * 2.0 - 1.0 —— Generator.integers 不收浮点 dtype（TypeError: Unsupported dtype dtype('float64') for integers）， 于是整个默认路径 100% 失败，连 docstring 的 Examples 都跑不通；Codex 按决策 31 改成 rng.integers(0, 2, size=size) * 2 - 1 （交给后面的 np.asarray(..., dtype=float) 转类型），实测形状 (5, 101)、步长恒 ±1、同种子可复现。 step_sampler 的 size 是 (n_paths, n_steps) 而不是 monte_carlo 那样的一个整数 —— 契约已写进 docstring， 遗留 4 条待办见"下一步"（TypeError/ValueError 分工、steps 形状校验、NaN 口径、params 缺 random_state）。

| 54 | random_walk 第二轮口径由用户改定：n_steps/n_paths 类型错抛 TypeError、取值错抛 ValueError；加形状与 NaN 两条校验；默认步长改 rng.choice([-1.0, 1.0])；params 补 random_state；metrics 改 mean_terminal/std_terminal | 用户 2026-10-05 自行改定，Codex 只修了一处纯 bug：call_params 定义在 try 内、却被 except 引用， 导致所有失败路径抛 UnboundLocalError（实测 5/5 失败输入全中）。按原意前移到 try 之前，未改任何口径。 遗留 3 条：① start 的入口类型校验被删（start="a" 从 TypeError 变成 success=False），是有意还是顺手删的？ ② 签名 n_steps: int / n_paths: int 与运行期收 np.int64 不一致（§4.7；monte_carlo_integral 的 n 已放宽）； ③ n_paths == n_steps 时，返回转置形状的采样器仍会静默通过（形状校验天生发现不了，见易错点 25）。

| 55 | step_sampler 的"方阵歧义"按方案 B 解决：size 改成整数 n_paths * n_steps、必须返回一维数组，内部 reshape(n_paths, n_steps) | 形状校验（决策 54）对"方阵"天生失效 —— 转置 (n_steps, n_paths) 正好等于目标 (n_paths, n_steps)。 用户 2026-10-05 拍板选 B（Codex 代改，用户明确要求）。转置 (n_steps, n_paths) 与目标 (n_paths, n_steps) 在方阵时形状相同， 校验从形状上无法区分 —— 根源是契约本身有歧义（一个 tuple 尺寸给了两种朝向）。改成整数尺寸 + 要求一维后， 二维返回一律判失败，转置问题从根上消失。顺带与 monte_carlo 的 sampler 契约（决策 48 的 size=n）统一： 实测给 monte_carlo 写的采样器可以直接丢给 random_walk。关键点：不要用 .ravel() 救场 —— 那会把转置的二维摊平， 歧义原样回来。代价（已写进 docstring）：step_sampler 不能再返回二维，步与路径的对应关系是行主序。 探针实测：默认采样器 (5, 101) 正常；后四种（转置二维 / 方阵二维 / 长度 +1 / (N, 1)）一律判失败。

| 56 | markov_simulate 的 initial 语义待用户拍板（Codex 只报选项，未代改，决策 49） | 现状用 isinstance(initial, int) 区分"标量状态 / 状态数组"，两条分支的口径互相打架：标量分支按路径数铺满 （np.full(n_paths, initial)），数组分支却按状态数校验长度（len(initial) != s 直接报错）—— 于是数组分支只有 n_paths == s 时才可能跑通；而 paths[:, 0] = current_states 又写在 try 外面， 长度不匹配时裸抛 ValueError（本该 success=False，同易错点 26 一族）。另有三个口子： np.int64(0) 掉进数组分支、被 as_array 拒（与 steps/n_paths 收 np.integer 不一致，易错点 1 复发）； True 因 isinstance(True, int) 为真被当状态 1 静默放行；越界状态（如 initial=5、s=2）只在 第一轮索引时才炸、被 except 吞成 success=False。 2026-10-09 更新：② 已办结（用户补了 np.any(arr < 0)，含负元素的行随机矩阵现在入口直接报错）； ① ③ ④ ⑤ 仍待拍板（A / B / C 三个选项见"下一步"）。

| 57 | markov_steady_state 的口径：4 条已办、3 条 + 2 个新口子仍待拍板（Codex 只报选项，未代改，决策 49） | 2026-10-09 用户第二轮办结：① 补 np.any(arr < 0)（含负元素的行随机矩阵现在入口即报错，原先会溢出成 nan 却报 success=True）；② tol 拆成 TypeError（类型 + bool）与 ValueError（取值）； ④ 选口径 B：converged=False → success=False；⑥ params 补 transition（arr.tolist()，可 JSON 化）。 仍待拍板：③ tol=np.nan（nan <= 0 为假，穿过校验白跑 §max_iter 次迭代）； ⑤ max_iter 的类型错仍抛 ValueError（与决策 54 的"类型错 TypeError"不一致）； ⑦ 两把尺子宽严不一——非负校验用精确 arr < 0，同一个函数里的行和校验却用宽容的 np.allclose， 实测 [[1.0, -1e-16], [0.5, 0.5]]（行和都是 1）会被判非法，建议改成 < -1e-12 这类容差； ⑧ 未收敛时 success=False 但 data 仍是未收敛向量（文件内唯一"失败却带 data"的分支）—— 保持还是 data=None？

| 58 | mm1_metrics 的稳定性分界由 Codex 按决策 31 直接修（< → <=），另有 4 条口径待用户拍板 | docstring 与既有测试写的都是 λ >= μ 不稳定，代码却写 service_rate < arrival_rate —— 于是 λ == μ 掉进 try、rho == 1.0 → ZeroDivisionError，被 except 吞成 success=False （碰巧对，但 message 成了"计算失败：ZeroDivisionError - float division by zero"）。两支的可观测输出完全相同 （success=False / metrics={} / data=None），改 <= 只换 message，故直接修 + 加回归测试。 待拍板：① λ = 0 现在被 ValueError 拒（数学上是合法退化解：空系统 L = W = 0）； ② np.int64 / np.float32 全被 TypeError 拒（文件内 random_walk 的 start 收 np.number、 整数参数收 np.integer，§4.7 有共识）；③ data=metrics —— 同一个 dict 对象（r.data is r.metrics）， 且成功分支给 dict、失败分支给 None，与文件内"data 是数组"的习惯不同； ④ 失败分支的 metrics={} 会丢掉 rho 等已算出的量（可选保留）。

下一步

⭐ 当前进度与待办（2026-10-09 第七轮）

本轮：你改了 markov_simulate / markov_steady_state 的入口，并写完 mm1_metrics —— 三处算法本体都正确。 Codex 只做工程侧：mm1_metrics 修了一处边界 bug（< → <=，见决策 58）、ruff 6 条、4 处文案参数名抄错、 docstring 补 Raises、+6 条测试 + 摘掉 2 条 skip。 三连：pytest 202 passed / 28 skipped、ruff 0、pyright 0。solve 层 L1 清单已全部落地。

接下来三件事

1. 三个函数的口径待你拍板：markov_simulate 4 条（决策 56）、markov_steady_state 3+2 条（决策 57）、 mm1_metrics 4 条（决策 58）—— 全在下面三节。
2. L0 最后一项 save_figure（A 档 = 工程，viz/export.py）—— Codex 直接实现，你只读。
3. 之后就往外层走：L1 只剩 decision / models / stats 的几条。

⏳ markov_simulate 待你拍板（4 条）

① initial 的语义（最大的一条，三个选项） 现在标量分支按路径数铺满、数组分支按状态数校验长度，两条口径互相矛盾（详见决策 56）。

• A：只收标量状态，另加 initial_dist 参数显式传"初始分布"（分布再抽一次，语义最干净，签名变长）
• B：只收长度 n_paths 的数组（标量走 np.full 铺满），data 首列就是给定的初始状态序列（与 paths[:, 0] 赋值天然一致）
• C：沿用现状，但把类型收成 int | np.integer + 先判 bool，把 paths[:, 0] = ... 挪进 try，docstring 写清"数组按路径数"

② 转移矩阵没查非负 → 已办（2026-10-09）：入口加了 np.any(arr < 0) → ValueError， 测试里钉了"行和是 1 但含负元素"这条。余下的一小问：这条校验是精确判负，见决策 57 的 ⑦（容差）。

③ paths[:, 0] 赋值在 try 之外：长度不匹配时裸抛 ValueError，与"出错统一 success=False"（决策 48）不一致。

④ 状态越界没在入口拦：initial=5（s=2）第一轮才 IndexError，被吞成 success=False； 建议入口加 0 <= initial < s。

⑤ std_terminal 对分类状态的意义：状态编号是标称量，均值和标准差只对"有序状态"（如排队人数）成立 —— 要不要把 metrics 换成状态频率（terminal_freq）？你定。

⏳ markov_steady_state 待你拍板（3 条 + 2 个新口子）

• ① 转移矩阵没查非负 → 已办（2026-10-09）
• ② tol 没查 bool → 已办：tol 现在拆成 TypeError（类型 / bool）与 ValueError（取值）
• ④ converged=False 仍 success=True → 已办：选了口径 B，success=converged
• ⑥ params 没记转移矩阵 → 已办：补了 "transition": arr.tolist()

③ tol 没查 NaN：np.nan <= 0 为假 → 穿过校验 → 白跑满 10000 次迭代才返回（结果本身对，纯浪费）。 建议与 max_iter 一起走"类型 → 有限性 → 取值"三件套（易错点 28）。

⑤ max_iter 的类型错仍抛 ValueError（max_iter=100.0 / max_iter=True）， 与文件内其它函数（决策 54：类型错 TypeError、取值错 ValueError）不一致 —— 要不要对齐？

⑦【新】非负校验的两把尺子：arr < 0 是精确判断，而同一个函数里的行和校验用的是宽容的 np.allclose。 实测 [[1.0, -1e-16], [0.5, 0.5]]（行和都是 1.0，只是浮点归一化的残渣）会被判"含负元素"而报错。 建模时转移矩阵常常是从数据归一化出来的，这种 -1e-17 级残渣很常见 —— 建议改成 np.any(arr < -1e-12) （或 arr.min() < -1e-12）这样的容差写法。markov_simulate 的同名校验也适用。

⑧【新】未收敛时 success=False 但 data 仍是未收敛向量：这是文件里唯一"失败却带 data"的分支 （其它失败分支一律 data=None）。调用方若只看 data is not None 就会拿到没收敛的结果 —— 保持（B）还是改 data=None（C）？

⏳ mm1_metrics 待你拍板（4 条）

① λ = 0 被拒：现在 arrival_rate <= 0 → ValueError。数学上 λ = 0 是合法退化解 （没有顾客到达，ρ = L = Lq = W = Wq = 0）—— 要收还是继续拒？

② numpy 标量全被拒：np.int64(2) / np.float32(2.0) → TypeError。 文件内其它函数已按 §4.7 放宽（random_walk 的 start 收 np.number、计数参数收 np.integer）， 这里还是 (int, float) —— 要不要对齐？（np.float64 本来就是 float 的子类，不受影响）

③ data=metrics：data 和 metrics 是同一个 dict 对象（实测 r.data is r.metrics 为 True）， 而且成功分支给 dict、失败分支给 None，与文件内"data 是样本数组"的习惯不同。选项：A 保持； B data=None（闭式解没有样本数组）；C 只留 metrics、data 给一个 5 元素数组。

④ 失败分支丢掉了已算出的量：λ >= μ 时 metrics={}，但 ρ = λ/μ 其实算得出来 （ρ >= 1 本身就是"不稳定"的量化说明，论文里常要写）—— 要不要在失败分支里保留 rho？

你下一个要写的：solve 这层已经齐了（mm1_metrics 落地后 L1 清单走完）。 建议下一步挑 decision / models 里你感兴趣的 L1 函数开刀（E 节有清单）， 或者先把上面三节的口径一次性拍完、Codex 批量收口 —— 两条路都行，你定。

✅ random_walk 的 4 条待办（2026-10-05 已办结）

• ① 非整数 n_steps 抛 ValueError → 已拆成两条：类型错 TypeError、取值错（<= 0）ValueError，n_paths 同样处理。
• ② steps 没有形状校验 → 已加 steps.shape != (n_paths, n_steps) 判失败（实测转置采样器现在能拦住）。
• ③ NaN 不判失败 → 已加 np.isnan(steps).any()，与 monte_carlo 的 NaN 口径（决策 48）拉齐。
• ④ params 少 random_state / metrics 抄了一遍 → 已补 random_state；metrics 换成 mean_terminal / std_terminal （终点位置的均值与标准差，ddof=0）—— 这才是"游走"该看的指标，测试里还顺手验了 std ≈ √t。

✅ random_walk 的口径（2026-10-05 全部办结）

• ① start 的入口类型校验被删 → 已恢复；文案的"必须是整数"改成"必须是数值"（这条校验本来就收 float）， 类型名统一 {type(start).__name__}。
• ② 签名注解比行为窄 → 已改成 int | np.integer，np.int64 的测试补回来。
• ③ n_paths == n_steps 的方阵歧义 → 用户选方案 B（决策 55）：size=n_paths * n_steps（整数）、 要求返回一维、内部 reshape(n_paths, n_steps)；二维返回一律判失败。实测转置二维 / 方阵二维 / 长度不符全部拦下， 且 monte_carlo 风格的采样器可直接复用。

✅ monte_carlo_probability 的 6 条待办（2026-10-05 全部办结）

• ① p <= 1e-3 判 success=False → 改成 warning_message，仍返回区间（实测 p=0 → (0.0, 0.00383)）。
• ② Wald 在 p 靠近 1 时退化 → 换 Wilson（p=1、n=1000：(1.0, 1.0) → (0.99617, 1.0)）。
• ③ call_params 没记 confidence → 已加。
• ④ event / sampler 不可调用被吞成 success=False → 已加 callable 校验，现在抛 TypeError。
• ⑤ metrics 混 np.float64 → float() 统一（实测 4 个 key 全是 float）。
• ⑥ n: int → 已改 int | np.integer。

还剩 1 条 → 已办（本轮）

1. event: Callable[..., bool] 的注解与行为不符 → 已改 Callable[..., Any]，与 sampler / simulator 对齐。 pyright 复测：向量化事件函数不再被拒（原注解会报 reportArgumentType）。决策 50 的遗留清零。

✅ monte_carlo_integral 的 3 条待办（2026-10-05 已办结）

• ① result.message 被无条件覆盖 → 已改成 if result.success: / else: 两个分支； 失败时是"蒙特卡洛多重积分失败：维度 1，体积 1.0000，模拟 100 次。蒙特卡洛模拟失败：TypeError - ..."， success 与 message 不再打架。
• ② bounds 形状没校验 → 入口加了 isinstance(bounds, (list, tuple)) 与 ndim == 2 and shape[1] == 2 两道； bounds=[0, 1] 现在报"bounds 必须形如 [(lo, hi), ...]，当前形状为 (2,)，请检查是否漏了括号"。
• ③ n: int → 已改 int | np.integer。

✅ monte_carlo_integral 的 2 条新口径（2026-10-05 已办 1 条、剩 1 条）

• ① bounds 把 ndarray 拒了 → 已加 isinstance(bounds, np.ndarray) 分支，np.array([[0.0, 1.0]]) 现在能收。
• ② if / else 里那三行重复 → 已把 name / params["bounds"] / params["dimension"] 提到 if 之前，只剩 message 分两支。

还剩 1 条（你的活）

1. 第一道 isinstance 分支现在是冗余的：np.asarray 本来就同时收 list / tuple / ndarray， 而 []、"abc"、标量这些都会被下面那句形状校验抓住（报"当前形状为 (0,)"等）。 整段可以塌成两行：bounds_arr = np.asarray(bounds) + 形状校验 —— 顺带 bounds.copy() 也是多余的一次拷贝。

⏳ monte_carlo 只剩 1 个口径要你确认

ci_low / ci_high 是不是就按"结果的分位数"定？

现状 np.percentile(data, [2.5, 97.5])。实测 n=2e5、E[X²]=1 给出 [0.001, 5.0455] —— 这是模拟结果的分散度（预测区间），与 p05 / p95 同类，只是分位点不同。 而"均值估计的置信区间"（MC 的统计误差）是 mean ± 1.96·std/√n = [0.9962, 1.0086]， 两者差两个数量级，论文话术也完全不同：

• A（现状）：写"95% 的模拟结果落在 [a, b]"（描述风险分布）
• B：改成均值 CI → 写"估计值 1.0024 ± 0.0043（95% CI）"（证明 n 够大）
• C：两者都要 → 指标要改名（如 p025/p975 + mean_ci_low/mean_ci_high）

注意：monte_carlo_probability 里的 ci_* 已经是估计量的 CI（Wilson 区间，决策 50），所以这两个函数的 ci_* 目前含义不同——这正是要给它们定口径的原因之一。

✅ 已拍板（决策 48）

• 批量大小由实现传 size=n；sampler 必须能接住 size，**kwargs 里不要再传 size。
• 结果含 NaN → success=False（不落 metrics）。
• std 用 ddof=0。
• 出错仍统一返回 success=False（try/except Exception 保留）。

⏳ 另外两个小口径（你说了算）

• random_state 的注解：经验文档第 3 条写的标准是 int | np.integer | np.random.Generator | None， 但 stats/bootstrap.py、solve/simulate.py、stats/inference.py 现在都写 int | None（只有 core/random.py 是全的）—— 要不要全项目对齐？（运行期 get_rng 收 np.int64，所以是注解与行为不一致，不是功能 bug）
• std 的 ddof：monte_carlo 用 ddof=0，describe 那条线用 ddof=1。要不要统一？

其余待办

1. L0 的最后一项是 save_figure（A 档 = 工程，viz/export.py）—— 由 Codex 直接实现，用户只读。

2. L0 跑通后，找一道真题（建议 2025 C）走完整流程，反向沉淀函数。

3. 已拍板的旧口径（留档）：log_transform 的 offset 维持现状（决策 35）； describe / zscore 默认丢掉非数值列（决策 37）；变异系数用 σ / |μ|（决策 38）； 分工见决策 39；correlation_matrix 走方案 A（决策 41）。

4. 仍未答的一个小问题：correlation_matrix 现在只收 DataFrame， 而 describe / zscore / transform 都收 ndarray —— 要不要也放开？（你说了算）

5. t_test 有 4 个口径等你拍板（Codex 一律没动，按决策 39）：

   • ① 单样本的结论文案说错了。 b=None 时 test_name 已经是"单样本 t 检验"， 但 conclusion 仍写"两组数据存在统计学上的显著差异" —— 单样本根本没有第二组。 建议按分支拼文案（单样本说"该样本均值与 value 有显著差异"）。
   • ② paired=True 时 NaN 是按各自的位置丢的，会把不同行配成一对（静默错位，不报错）。 两个方向：配对前先成对删缺失，或直接拒绝含 NaN 的配对输入。你定。
   • ③ value 只在 b is None 时生效，同时传 b 和 value 会被静默忽略 —— 要不要改成报错？
   • ④ t_test(DataFrame) 会把所有数值列摊平成一个样本（已写进 Notes）。 多列不同量纲（gdp + pop）会被混在一起，而且没法拿"一张表里两列"当两组比。 要不要改成：多数值列的 DataFrame 直接 ValueError、强制先自己取列？

6. as_array 落地后留下的 3 个小口径（Codex 没代选，按决策 39）：

   • int / float 标量还在白名单里（为兼容 normalize / standardize / log_transform 三个 docstring 写的"数值型标量"）。但标量进来是 0 维数组，axis=0 的算法照样炸 —— 要不要把标量摘掉、同时改三处 docstring？
   • 内容转不成 float 时统一抛 TypeError（决策 45）—— normalize(含文本列的表) 原来抛 ValueError。 要不要改回 ValueError（"取值问题"）？
   • 现在 kind == "frame" 时你要自己再写一遍 x.select_dtypes(include=[np.number]).columns 取列名。 嫌烦的话可以让 as_array 顺带把选中的列返回（改成三元组），一句话的事。

7. bootstrap_ci 的 5 个待拍板口径（Codex 一律没动，按决策 39；详见 docs/algorithms/bootstrap_ci.md §10）：

   • x 里的 NaN 静默传进统计量 → nan 区间（confidence_interval / t_test 都是先丢掉的，口径不齐）
   • n_resamples <= 0 → 现在抛 IndexError: index -1 is out of bounds（应在入口给可读 ValueError）
   • confidence 越界 → 现在由 numpy 抛 Percentiles must be in the range [0, 100]
   • method="bca" → docstring 承诺过、实测 NotImplementedError（补实现 ≈25 行，还是从 docstring 删掉？）
   • bootstrap_statistic 仍是 NotImplementedError，而 bootstrap_ci 把那段重采样循环内联了 —— 建议抽出去让 bootstrap_ci 调它（易错点 16 的变体：同一段算法写了两遍，只实现了一遍）