guzhujushi
9cb295a362
用户第三轮改了 5 处口径：非负校验带容差、initial 收 np.integer、paths 赋值挪进 try、
metrics 换成 terminal_distribution、mm1 放开 lambda=0 并收 numpy 标量。三处算法本体仍正确
（探针复测：终点分布 {0: 0.6644, 1: 0.3356}、lambda=0 给 L=Lq=Wq=0 且 W=1/mu、data is metrics 已为 False）。
Changed（Codex 只做同步，未改口径）
- docstring：markov_simulate 的 Returns 与"遗留"段、markov_steady_state 的 Raises
（TypeError / ValueError 分工）、mm1_metrics 的 Parameters / Returns / Raises。
- tests/test_solve.py：同步 5 条受影响的测试，新增 2 条（terminal_distribution 只列出现过的状态、
lambda=0 的空系统）。test_solve.py 64 条。
- ruff：B905（zip 缺 strict）+ 2 条空白 -> 0；rng 之后的双空行 -> 1。
- STATUS.md：决策 56 / 57 / 58 更新到"只剩 5 条小口径"；「下一步」第八轮；
新增「第八轮备忘：models 与 decision 各是干什么的」（函数清单 / 使用顺序 / 建议开工顺序）。
- CHANGELOG 与 docs/dev/personal-pitfalls.md 易错点 30（口径一改，docstring / 测试 / STATUS 同时过期）。
校验：pytest 204 passed / 28 skipped（232 收集）；ruff 0；pyright 0
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。