guzhujushi
b6dc4bc5a6
实现（用户本人写 + Codex 轻度收尾）： - 统计量（quantile / mean / std）与掩码写入都收窄到数值列，含文本列的赛题表不再崩 - 非数值列在掩码里恒 False（用户定的语义），docstring Notes 补上这条 - 删掉死代码 data=data.copy()：下面的 to_frame()/pd.DataFrame() 本就返回新对象， 函数全程只读 data，白复制一份；且它排在类型分派之前，会把错误入参的报错 从 ValueError 变成 AttributeError - 删掉那行死代码后 pyright 反而暴露 1 个真错：df[Index] 被类型存根当成 Series， .std() 于是被判成标量、std.replace(...) 非法。在取列子表处 cast 成 DataFrame 按运行时真值收窄（详见 docs/04-environment.md 坑 8） 测试： - test_detect_outliers_survives_text_columns 摘掉 xfail 并加强断言（文本列必须恒 False） - 新增 test_detect_outliers_all_text_frame_returns_all_false，钉住"整表无数值列"边界 - 58 passed / 2 xfailed -> 60 passed / 1 xfailed；ruff 0；pyright 0 - 仅剩 1 条 xfail：impute_missing 的 mode 分支就地改调用方的表（要选语义，留给用户） 文档： - STATUS.md：L0 5/12、验证结果表、下一步重写、新增决策 32（非数值列恒 False） - docs/04-environment.md：新增坑 8（pandas 存根让 df[Index] 退化成 Series，及三种无效修法） - docs/dev/personal-pitfalls.md：只追加第 8 条（限制掩码 ≠ 限制统计量） - CHANGELOG.md：本轮变更
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。