PyPI - ChannelAttribution - Versions diffs - 2.2.3__tar.gz → 2.2.4__tar.gz - Mend

ChannelAttribution 2.2.3tar.gz → 2.2.4tar.gz

This diff represents the content of publicly available package versions that have been released to one of the supported registries. The information contained in this diff is provided for informational purposes only and reflects changes between package versions as they appear in their respective public registries.

Files changed (607) hide show

{channelattribution-2.2.3/src/ChannelAttribution.egg-info → channelattribution-2.2.4}/PKG-INFO RENAMED Viewed

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: ChannelAttribution
-Version: 2.2.3
+Version: 2.2.4
 Summary: Markov model for online multi-channel attribution
 Home-page: https://channelattribution.io
 Author: Davide Altomare, David Loris

{channelattribution-2.2.3 → channelattribution-2.2.4}/pyproject.toml RENAMED Viewed

@@ -9,7 +9,7 @@ build-backend = "setuptools.build_meta"
 [project]
 name = "ChannelAttribution"
-version = "2.2.3"
+version = "2.2.4"
 description = "Markov model for online multi-channel attribution"
 readme = "README.md"
 requires-python = ">=3.8"

{channelattribution-2.2.3 → channelattribution-2.2.4}/setup.cfg RENAMED Viewed

@@ -1,6 +1,6 @@
 [metadata]
 name = ChannelAttribution
-version = 2.2.3
+version = 2.2.4
 description = Markov Model for Online Multi-Channel Attribution
 long_description = file: README.md
 long_description_content_type = text/markdown

{channelattribution-2.2.3 → channelattribution-2.2.4}/setup.py RENAMED Viewed

@@ -82,7 +82,7 @@ if readme.exists():
 setup(
     name="ChannelAttribution",
-    version="2.2.3",  # bump version so wheels/env pick up the new layout
+    version="2.2.4",  # bump version so wheels/env pick up the new layout
     package_dir={"": "src"},
     packages=find_packages("src"),
     ext_modules=extensions,

{channelattribution-2.2.3 → channelattribution-2.2.4}/src/ChannelAttribution/install_pro.py RENAMED Viewed

@@ -1,7 +1,7 @@
 def __request_token_channelattributionpro(
         email: str,
         endpoint: str = "https://app.channelattribution.io/genpkg/generate_token.php",
-        timeout: int = 10,
+        timeout: int = 60,
         verify_ssl: bool = True
     ) -> str:
@@ -16,7 +16,7 @@ def __request_token_channelattributionpro(
             (No syntactic validation is performed by this function.)
         endpoint : str, default "https://app.channelattribution.io/genpkg/generate_token.php"
             Full URL of the token-generation PHP endpoint. You can override this for testing.
-        timeout : int, default 10
+        timeout : int, default 60
             Timeout in seconds applied to the HTTP request.
         verify_ssl : bool, default True
             Whether to verify the server's TLS certificate. Set to ``False`` only in
@@ -238,7 +238,7 @@ def install_pro():
         return isinstance(s, str) and bool(_email_re.match(s.strip()))
     # ---------- early reachability check for app.channelattribution.io ----------
-    def _can_reach_app(timeout: int = 5) -> bool:
+    def _can_reach_app(timeout: int = 60) -> bool:
         try:
             # Simple HTTPS GET to the root; proxies/env vars are honored by urllib
             with urlopen("https://app.channelattribution.io", timeout=timeout) as resp:
@@ -277,7 +277,7 @@ def install_pro():
         action: str,
         info: str,
         endpoint: str = "https://app.channelattribution.io/genpkg/build_check_email.php",
-        timeout: int = 10,
+        timeout: int = 60,
         verify_ssl: bool = True,
     ) -> str:
         if not token:
@@ -587,7 +587,7 @@ def install_pro():
         print("Building the package. Estimated time: 0-30 minutes. Please wait...")
         # POST to builder (matches hardened PHP)
-        status, body, headers = http_post_form(BASE_URL, params, timeout=300)
+        status, body, headers = http_post_form(BASE_URL, params, timeout=32*60)
         text = (
             body.decode("utf-8", errors="replace")
             if isinstance(body, (bytes, bytearray))

{channelattribution-2.2.3 → channelattribution-2.2.4/src/ChannelAttribution.egg-info}/PKG-INFO RENAMED Viewed

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: ChannelAttribution
-Version: 2.2.3
+Version: 2.2.4
 Summary: Markov model for online multi-channel attribution
 Home-page: https://channelattribution.io
 Author: Davide Altomare, David Loris

{channelattribution-2.2.3 → channelattribution-2.2.4}/src/cypack/ChannelAttribution.cpp RENAMED Viewed

@@ -13,7 +13,7 @@
         "include_dirs": [
             "src/cypack",
             "src/cypack/armadillo-9.860.2/include",
-            "/tmp/build-env-hn2zldp_/lib/python3.12/site-packages/numpy/core/include"
+            "/tmp/build-env-pzl6214x/lib/python3.12/site-packages/numpy/core/include"
         ],
         "language": "c++",
         "name": "ChannelAttribution._core",
@@ -2559,7 +2559,7 @@ static __pyx_mstatetype * const __pyx_mstate_global = &__pyx_mstate_global_stati
 #endif
 /* #### Code section: constant_name_defines ### */
 #define __pyx_kp_u_ __pyx_string_tab[0]
-#define __pyx_kp_u_2_2_3 __pyx_string_tab[1]
+#define __pyx_kp_u_2_2_4 __pyx_string_tab[1]
 #define __pyx_kp_u_Data_must_be_a_DataFrame __pyx_string_tab[2]
 #define __pyx_kp_u_Data_must_have_at_least_one_conv __pyx_string_tab[3]
 #define __pyx_kp_u_Estimate_a_k_order_Markov_model __pyx_string_tab[4]
@@ -13579,7 +13579,7 @@ __Pyx_RefNannySetupContext("PyInit__core", 0);
  * import matplotlib.pyplot as plt
  * import importlib             # <<<<<<<<<<<<<<
  *
- * __version="2.2.3"
+ * __version="2.2.4"
 */
   __pyx_t_1 = __Pyx_Import(__pyx_mstate_global->__pyx_n_u_importlib, 0, 0, NULL, 0); if (unlikely(!__pyx_t_1)) __PYX_ERR(0, 30, __pyx_L1_error)
   __pyx_t_2 = __pyx_t_1;
@@ -13590,15 +13590,15 @@ __Pyx_RefNannySetupContext("PyInit__core", 0);
   /* "src/cypack/ChannelAttribution.pyx":32
  * import importlib
  *
- * __version="2.2.3"             # <<<<<<<<<<<<<<
+ * __version="2.2.4"             # <<<<<<<<<<<<<<
  * print("*** Looking to run more advanced attribution? Install ChannelAttribution Pro for free running install_pro(). Visit https://channelattribution.io for more info.")
  * print("Version: " + str(__version))
 */
-  if (PyDict_SetItem(__pyx_mstate_global->__pyx_d, __pyx_mstate_global->__pyx_n_u_version, __pyx_mstate_global->__pyx_kp_u_2_2_3) < (0)) __PYX_ERR(0, 32, __pyx_L1_error)
+  if (PyDict_SetItem(__pyx_mstate_global->__pyx_d, __pyx_mstate_global->__pyx_n_u_version, __pyx_mstate_global->__pyx_kp_u_2_2_4) < (0)) __PYX_ERR(0, 32, __pyx_L1_error)
   /* "src/cypack/ChannelAttribution.pyx":33
  *
- * __version="2.2.3"
+ * __version="2.2.4"
  * print("*** Looking to run more advanced attribution? Install ChannelAttribution Pro for free running install_pro(). Visit https://channelattribution.io for more info.")             # <<<<<<<<<<<<<<
  * print("Version: " + str(__version))
  *
@@ -13615,7 +13615,7 @@ __Pyx_RefNannySetupContext("PyInit__core", 0);
   __Pyx_DECREF(__pyx_t_2); __pyx_t_2 = 0;
   /* "src/cypack/ChannelAttribution.pyx":34
- * __version="2.2.3"
+ * __version="2.2.4"
  * print("*** Looking to run more advanced attribution? Install ChannelAttribution Pro for free running install_pro(). Visit https://channelattribution.io for more info.")
  * print("Version: " + str(__version))             # <<<<<<<<<<<<<<
  *
@@ -13944,16 +13944,16 @@ static int __Pyx_InitConstants(__pyx_mstatetype *__pyx_mstate) {
   CYTHON_UNUSED_VAR(__pyx_mstate);
   {
     const struct { const unsigned int length: 13; } index[] = {{1},{5},{24},{44},{4161},{1637},{1872},{1980},{157},{159},{13},{3456},{17},{52},{9},{1},{1},{28},{23},{27},{31},{26},{23},{22},{21},{18},{18},{17},{6},{18},{30},{13},{26},{25},{21},{17},{22},{33},{28},{5},{33},{25},{33},{25},{33},{25},{34},{29},{24},{4},{9},{20},{6},{4},{18},{3},{17},{10},{12},{12},{10},{8},{12},{16},{17},{18},{7},{8},{6},{5},{6},{11},{23},{17},{9},{7},{7},{3},{8},{16},{20},{10},{4},{9},{5},{13},{5},{1},{10},{22},{16},{12},{24},{18},{8},{12},{16},{17},{3},{9},{11},{8},{13},{10},{8},{5},{5},{2},{10},{5},{5},{2},{8},{6},{4},{2},{4},{3},{3},{5},{6},{12},{13},{2},{14},{15},{26},{32},{3},{4},{7},{7},{6},{7},{4},{3},{12},{10},{3},{3},{3},{8},{5},{22},{17},{3},{17},{21},{22},{6},{8},{8},{8},{9},{2},{7},{9},{2},{2},{2},{6},{6},{45},{24},{755},{584},{22},{662},{887},{1774},{18}};
-    #if (CYTHON_COMPRESS_STRINGS) == 2 /* compression: bz2 (5231 bytes) */
-const char* const cstring = "BZh91AY&SY/aA\300\000\013\335\377\377\377\377\375\377\377\367\377\377\377\377\377\377\377\377\377\377\300@@`@@@@@@@@P\000@\000`\030_{\353\347\201\367\276\367\316\3345\350\035m\200\365\363\354\333\356\003\350\332\261_A\364\000\350\007\273>\200\353\350\000\005)\355\202\205>\201\335\237C\275\347\253\201\364\036}\361\t%\010\251\351\261\003I\231O\322m)\352\236\324\364`\320G\211&\023&M&\214M\032h\323FA\220\000\320h\031\240aLi\004\224\245=\232h\230T\177\222j\215\000\007\251\246\200\000\365\r\000\000\000d\000\000\001\240\000\000\003@\224\023A&\241\031O\324zS\312\036\243F\236\246F!\232&5\032z\201\220\017P\321\221\246F\217@Cf\243Hi\220\r\006\200I\245%4\0053Hl\022=OP\0324\000\000h4\000\0004\320\000\000\332\200\032\000\001\243@\"RS)\372\240h\032\0316\240\000h\001\243\324\000\000\000\000\000\000\003@\003@\000\000D\241\000M\010\023\002ja=L\223h\3211F\032\023M\014\206\232h\320h\000\000\000\000\000\000\321\377\302\252`\255K\022\216Q'\260\202\377\344\221X\301\034\020a\020H\n\222\014\020\214\0220`\262\004F$\212@'J\212R\021\201\030\261H\241\025{=\277%\307\243\341\203.?\035\334}\257\327\227\353\373\177\023\225\214~\340\311`1\\\2404 \24496X\n\240\271\035^\351\373\374\007&\366>.R?,c\344>>e~Q\211J\234\340\257\315\335_\247\347\326\250\264\350tu\227\244\3359E\216\243uJ/\327\027=~\314\345\241\257\257\203`\307;c-\225n\277c\356\373\331\360>\377{\026\177\213\303\344\275\346\306\361\307\347\2061\314\223\200\324\035\340\305\231\213,\260p\351\240\210Rz\017N\326\0233\212\26722\350a\302\210\226\224jE\204\210\211)\n\350\211]R\021\004fQ\246\213\212H\324d\227TI\373\201\031$r\025m\221\311$\227\314\006\232\222B8\302B\356\034(\346\217\337\374\3213Tt\2259\334\026\241\271n\305\3736.J\262\264+\313\337\346{;Mf~e*O\353\213X\326[\032\346\271\252SU\010\037\247N\nFt\017\220@\250\301\004\020A\001\001\001\004\020TzN>1\220\231\2013$\206L\215\312\300\314\311'\035\030L\014'\020S\316\203S32\274t(\024\266f\202Lb\005\254`\006\242\314$\030\346\351\030\027\335\007\302xA\360| LA\357\336\244\216\036<7/\tR\365*\035)yeZ\251""\244,\227\241h2d\010\204`\214\202A\202\222\004\237\205T_\263\222!\222\232\273\226\360\271\022\020\200#\314t\330\344\352\\\345\313y=X\227\236Q\034e\035;\n-h\023s\303P\364\264\364d\237<4\010h&LSo\314\207\027\006J\243\234>k\243\353\230\304&)\226&\230\314\360\342\343#(\313\022\202%\276\210\330\006\rSU.1V\023\322[\252\332Q\210`\224OQ\001\204(P,0\345\226J\374I\375{\244\262{\374\201oI)\372\035\344a\326C\024\024\357^\232\256e\275\335\361\224\033\204=\244\362<>y\350\013\316\342\020\031\022\005x\007\245\006\340\261r\246C\372\224\006\321\020\251T\245\217V\r++o\224\352\037\210\3565=\312\335.#Zi\340pA\274[\334\323\035m\213v\343#Ov^\324\334n\300\375S\013gJWq\230\010'GT\177#\345\332\244@D\244\021D\344\016\304\202\275(\020\021\010\245\253U*\215DZ&\n\265\327\206\343\312\254&Z\017\343\361E&\036\205\007\345W\333\217\312L\337j\247\235!\254\032\032\247\201\261Y\310B\346\205\r\306(\350\212\306#x\211\202$d\026\"\241\026\220ukDe\010\235\020G9\001\300\350\003\204\322\315\030\03565\n\037\037\375R\234\270\206\2575.\345s3Ne\276\355aa.\006\301Wv\341\316\007\016z\036.R\230\221\324\251@\345\351\300\351\201b\333\360\262T-\n\t\216\001*\036\251\321\206\311\305\023j\020\244\n!\221\3674\306\246i\25050\r@\251X\204\346\250\361vCF;\215\023l\003\215\223[\233\010r\232\\lf;2\006\311\007\023\346t\033\334\365:\336t\023j\206'2\350\032\205\202\rB\210j\273\366\014\t\207\003\220\254AU\006EU\013\003\225\025\322&\345\223-\010\310L3\207\2252\030\3009\034M*n2\313\240\314\346LSd\256e\346\233\314\304/.\304\337y\022\272\225\021VF0\245\240TL6\241\300J\342\"h\213\221\363\313U\"\024\251$\224\225q\"\033d\236P\244V\227\306}\245\022|\305\236\327\004\263!\335\347\026\220\231r\314Dr\342\304\r\310\0321/!\004\204ln-LX\024\303v\264\312\264s!N\\L\214\214\222\024!\227\010\2706\304)d\306\311\334\233\371q2*t\22440N\tB\025:\013T\327 \206\201\201yZfbP\206\355\314\205\333d\232\233\3601!\267\002\201p\324\201x\245\035\350q\204\016\t6\251\256\205\306%\346\271\356?\326\346\273\333\314\320\331\321\002\353\267\231P\261\245RA)\304.\t\\\215N""\017E\315k\304\313pj\206\253\250N\250T\305s\216\363c\211\221]\212\030\020\270\361\025\267\227\320zC\316z\017h=/\267\356\036\346\010K\303\222\034\306\257\364Wz\342\334m\311\226X1\214*\024w!\322\204u\306\026\265JP\2448\352\206\277\275\271\341\300\272\340\261B\027\223\336\366S\374\322\334\330\226N\303\220\244\301G(\272\027\230\006\030`a)\342\307\310\323\210\240\300h1\347\317\000\232\311\006Y*M\376\022j\0054\242fr\314\204`\014\233\317XK(\t\350-\241\215\022\021\033\304\204\023\216f\354\331a{c\010\324\225\300\204.\265\224\372\246c\025\272E\"\276\357\333=|O\027\037\036\375\347&\007$\272B\372\244\010\224\241\022\257\302Z\245h\340{\005\217\204\201L\212_X\326:x^W\34142\350<\347v:kMR\212\370\332b)i\245\227a\034\tr\021\026xl\206A\216\025\375\327\007\212\306\217Q\371R\231\013\207qKvhB,\315\253\242\271Q\314\215\376sRi2ExH\225\211I \326[\330>8\210\343\t\215p\342\355.s\234\207NN\331\336\367!\316E\005\001*\224\242\303\316n\316z)\313\225\373\027\334\350\036\3456\211\307\244\362\340\206\245}\236\353-\210z\375\262\202\027R\210\330\211[\250\207\245 %p_^\272\034\236\264\247\177\214\014\223\347\246\236$\360\342\033W\331\224\303\021\035\023\371\352\005Dw\010\363y:{l\277\310\317\253\n}yB\247\376\347\300^\325\363y<\317\230\324+wa\330\220\300\233\350%b\273\203xlR`\270\027_\241~\371&\037\277\372\334\001\351\365h\032\006\207\014\323Ci?k4\262AOV\237 \2255J\320\013\243\360\301>\352m\262\034\335\030;2~_\346\324C\304\004\343\341\240\373\326\330\002\375B\256m\345\267\t\327\327\320`\340\316\274(9\247d\220\005\010 Y\311\013iI\0222\224\025\232\006\031\347c\247\340\023CA>\231\023\266\037\024K&i\t\227\347w\226l\313L|\336$\252LW\"\256\r\215\340q\347N^\267\235\272\351v\307T\27732m\273S\327d\3154CC\264\352\330\2744\t\311\232\375\035hKf\357\336\360ldC#\027\020{b>\270\025T\207\235\221\304\253\002\3612$\253(xI\021\"\3142\325R\031ZLj#MLMK\235T\275\0034\241\321\235fc\332&-\t\244\322p\211.d\020\213~\305\020\305\236x9<\375{J\307\262j\346Ylj\260Z\234\230\346:\373\201\243bML\216#\r\201e=#\2766A\227\024\261Q3\262""\313\365\267>\256\357\005\305\311\3044x:\273\305\251\277U\236\333Q\253\251\026\342jq\245z\272\321\365\255~\261\271\320\n\206k$\207\336\260H\312\373\266\275,'\327b\341hu\231gJ\356!6Z}@x%7\246c%*\033\rR&y\262\020\276\230\005\220\325/%\371\00525\207\001\342\346\030\r\214WC8H(\240\267ICj\216\014\202\240\310\303?\010\321\326\r\270b\014XL\335\010 \334\001\350R\010@\204C\201DC\201\370hp\270\341x\2575\335I\200\231\302\016\2045\215k\000\377*\026\023fM3w\020K\033\010TH\235\201\\K\222\301_\210~|\300Wx7\214\320\215\0221\"\235\251\227i}\020\3427\026@N)AM\345\305\307\002L\021bA(>D\330\240\334X\342\030F\003\301\251\336\232\227\216u\346\244\002Yl\0220\346\374\360\276)\",!\".\306h\301\230\2155\021*\3204\241\373$jU.\032%T\314\002\253\016\330\341\226\316T\315\020\216\333\264Zb\310\031\246\010&\032\002\300\006\014$\212\264\204\242[\210\226\336_w\243\251\016\276\t\341\024O\2758+C\204Z\241\207xR\240\366\005\013\n\0255\007`v\370\317NF\330\30243\207\263T\260f\026\332\3445\230\027\245\256K\224b7\207d\025\276\016\370<>\371n\252\367\347\223\223\370\367_\354_\273\002\306u\311\003\000\374\005\002~4K\240\245\340t\232ig\022%\304H\014H\221\030$\201&I$\365\356+7U,\233&\207&\024@\351\014\2274\236\030v\035==\247\305\355\351\340\220\324\351J\000o&\370\260%\242Q9!r\324\032@\221Yz^Y*;\322\205z\360\262\t\346\242\201T/\213 \205\303\013\253\333A\364\024\322\253b\006v\317\030\334hg^>\276'\230\360\362z\373\375\351\341\317\263\347Oa\017!*U-<r\251\324^Th\336'X\270$\010\306\276\202\260\306\224K8\322\204izd\230fT\244\253T\225\313W<\263\004\004\212\004\016\364\034\251p\303\031\306}\370\331\014\314\311\232\270\004st\370\n\246\342_I}h\345\264\0144\034\016\345\030\342\261\013\300\224\307L\267g\334{\210\030\3618\376\315\345\010eP\333\306ar\341ehA\372\304l\357.)5\243x\376y\316D\333\023\352`\"z9\226!N_1\2257%\230\004\213\000\201 \301 \260\200\263JV\245\010\020a,e\252\004\334\207!\246\344\350B\325/\350\201\314n\247J;\364,\222\014\220mD\337D\250p\310\205o8)\210^P\340\236 (\361V\026\"\302\t\235\026\360\340Yr\361%\367!""\363aq\202P\017\235\024\034\345\374R\253F\025\240\364\227\335\237)-\r\246qxFJZ\244s \271\220R%=U\222\244<\221\205\310\332\254D\311X\005\273i,~\206H\027\313\363\365M^w?>\265\260\023\340\014$O~\223\354!\020\t\014\201zT\370\347D\355\273\311\277ub]\246\274\303Q\030D\373~\363A\0178\023=\214\364&\207\2474\000\324L\303\261\017a\327\271\335\270\304\246%(G\255\365\031\222\362\354\264\251\010\204V@\010\014\"/DX(VTHrPO\244@l\372K\233\241\274\265.\r\252P\201\361\235eP.>\332^W\347o\370'\206\207Y\345&\275G\210\202\206h|\233>\377\227\210\327\002\363\n\230\203\rC+\034/\364\241\316\206Y\241a~\221\031\230\234\366C\266\304 K'\177->\363L\305\314\260n\027?\227\272\206\204K\350\005\017|\372\024J\244\211\200\024c\357\277Kz\006\210\226H\317l\372\007,L]P\221F\004D\220\030\244H\003\024\200\032\274\325|=@f\365\3020\016\217\210\353:\023x\032\227\231\371\250\275\tqyz\206\004\300\204\276\332V\214\037)I \210\221wR!\024\323W{9\235%\240\006\022#F^\275\270\206\034\246d=\343C\270\361\364\354\363\275\360\220\2220\032|\235G\301\315\256\356\340:\306\350\264\r \203\006R\221\031(*\010\220\260I\250b$)J\205\000(\253\005\211B\213\350\371\333\370\007d\343\341\345\007\025\371\244\3205\016'\244/\311\014\022\264<\270\343\336$*^[\343M\260\r\246\327sV<\250f\233\202\024Z\020\210P\337Jx\215\256\334\2075\263@\274\014\005K\240\320W\021\026\375\367\237G\225\271\314\211\213\000\241E\242P\336Q\276\257\227x}:RD\215E\273\260\242z\354\0271\3440\255\375V/\374\253\275\360\207\r\225\327\220\026!\020\266\264R\227\233\257\021kq\004\202I\010\261\216\310\027\245\312`\227\322\324\240\027\260H\003\247m\350\341\201zP\252\230C\332D\200\334\204h\240A=$\020\276)\"\226\211\0231\313\236\206\203\225\310g\343\246\017\013\360\317\034a$\032L\353A\205hbY*\220\210r\023\335\024I@!\231\235\365D\t\026\342 ]\200\242bf'S\347\3240\324\3058QS\022\"R\016\273\216\275A,}c\"\223xD\010Q\002Q,eZ\214G@\016cy\0101\347\304A=Y\034\337\313<W\217\"A\211\025a\251C\225b\324\361\226\032\025~\312aTJ\322\232y\016\201\367\330#\300T\273\234\275\035\023\001\026\300\032""\220s\221\n\246\242\206$\001i\364R\245UJ\244b\000\311\341\267\200>P\335\203\332@\334h\221\220\246\273\300)\306\304\276M\014\t\204Y\267a\271\2775c\025Q\3254\212\233\224\335\2749\302\2475\275\200:a\023\220\024\217\210(\211\230n\350\353\002\032\234\347'/\265\261\267\200\2172\005\301\322p\205\345\374[k\354k\335AN\031\302\354JK\013S\214B\220\244B.\365!\261L\330\014\310\205M\351\231}\306f\034\363\242\233\\S\025(t\367\2357M\327/V\364(F2\006\324\251}\301\0277&\031\215~\"\334\305\351\214\240}\217\204\017\204D\372\257\326\275\0225c\014K\352vn\321W\036l\344c8\207\023\2734\212\215q\345\2342SD\340\310s\251\264\030Ke\022DL0\n\014\005\2518\n\301\240\247W\310\007{\000\252\230\226\004\241\336fcC\262\213d\201\345\2154@as\334\236\001\346\274i\270\271k\251@\362g\273K\322\\>O-\377/^K\314t-PK\026Cy\240\241F \324y@\324\250\227\002P\272\300\027'\315X\216X\231\362\231\334\234\263\212\246z\025(\200\033\300\276\226M\304JJ]\364\204\272\010h\233\007\263[\316\316\267\260\363\375\315x\275\247W\017b\211a\302\203\014bPG|\234#\020\253Jo!\202\305F\224\354\016r\234\346\001zP\265$/\2071V\374L\n\225\275(8\235\313b\245\306&l\030P(&$\227\247\245(\030\\SE\255\013R\303\216U\207\210\245\371C\203\006%\267#\300\353\251\231\215\222\337a7\366\247i\256D\306\005Y\010\312\201\232\362@6\251\312\n\3600\004\336w\320\2469\227\036\347\034I\22324\300\226\314]\022\306\215UU\320\rI\224Hi\206`>\3226\014P\276\344\034\266\271s\362+M6\357=\007\214\361\276\347\271\315\337\257Y\336rt\366\245\311\024!J AM\352p\312\225<AU\255|u\242`\2226\345\216\013\214a&\024\007@\030\234` \261\347U\351D/dB\240\241\222\205\300\245V\227%\202\350)f\025\022\005\227R\302\3344X\226\354\276\237\004.H#\330(P\211Ap\002\2464@\274\337\026\342$4\275\242\304\215F,\022\210\356f\205\212\0206j\353gvZR\2265`Y\240\t\233Y\252\031\245\201=i\235\n\tH\237.\2410V\354\365\273\036\345\323\013\001\307\271\245v\243\33791\0242A\324M)u\311SB\205\010\007'%+\347\\D\373@\301\221d\236\222\226*\255\000\253\300*\360^/TU\023\032\345Qr\312a\220\223!\014\237\021\314\220\327\214\254""\030F\n\252\215 \315\236\370\320\340\233 \223[<\003$\023\002\314JPJ\253\210\213-\227\250\320;J\204\241\324\007q@ \352\024,\013\230\rP\251\335\022'\304'\311R\200\267!|\227\303j\325\321\227+\267\222\277\226\241i\273K\"\302\355Y@`D\017eNr\013\353\207n)\377\234\267\345`\357\265\203\344\255l\226\357\243j\247\030\035\336<\017\002\215Q\336\030\227wqC\022\010\274&M\330\225wu\222\035g\227\324c\327\277g\244\340y\027\202\224\211\r\003\332Oh<g\3145\366v5\326\310wNnq=\364\330\242\335-M\217\241\320f\031\207#\203\036\335\216o9\324P\370\366/\357\366\272\274zT\232\211N\342c\312\311Y\330-\026\213\257\266\216j\315\033A\256\323\024\320\253V\3166^ST\2512ri\323\257\r\017M\"r\353\025$\211$\026\261\016HYI0\354\330\266<\235\033\006\211~4\3613x\007\037\221<\244'\375f\354dX(\212\202 ,D\035D&\311\2735\3369\260N\014(\017&\202\207\336\223\233\223\342D>\355\364(\274ID\212B%C\345'\202\352\211\036n\335}\007ds\t\347\036\345G\215\023\332$\026#3C\326\016Q\225\366w1A\371\271\034I\016t\277.0s\3602\262\223\311\311\354n7y\347O\032.\005\017+\201s\240\003@\034\377\231|\\X,T\203\332\232\022\"\361\364\241g\276\006\270\215\353\216\004.#\215\034\213p\366\322q\310G=/ v\020\371\275V\333\300\224'\224\274\312\374\276\230\204]\003\312`\375C\342\007\230\273|Gt\276\215\366B\017\333\256\211d\251e\350m\027\325\356\002\030K\335\367\007v\306\017\255\002\342!\350\027\264\204ZP\240W{#\207\372\201\300\333\360\365\257z\033I\307\017\265=k\323m\027.0Y=Vm\241\301\321\324\255\235\313=\256\365\304\016\302\273\333\245\206L\3478r\321\317\3747\002\253\245\225j\333\026\366\321fn\344#\2573\317\036+\"\261:\323\032+A\233_=\253U*\370d\247\307\251B\017\030siP\365\017\224QC\243\200\260\344\237\347\236}9\246!\245\273\244\321B\236\030a}K\301\241\275\315/\326p\016E\220\014J\361\364\006-\324bv?\313\345m\371\373|\225\\\345m\236\003J\263\324W\257\326mi\021\033\277\336r\241\242Dl\354\235X\337\330,\235W\337|\242P\351\037?d|\372\250\332\037(\265\223\224X\260\264\263\215\204\307\r\223\243D\345\033\275;;\024\216s\257\304\231\2121\014\273Y\252\207&#r""\216.&K\206er{wA\340\233\362s\361\261-1p\264L,\020,\331\324\013g\375\330=\3668\215\335C;\311\334{Y\276\346\260\270\226\307\230]q8\270\215j%\305\332F\361\3159k\351\n\253t2V\362\376EX]n\221\324D\001\256\037\241a{\301\337\r\235\237Q4\237O\214im4\270R\014\036\304\341iD4\305\253\205Q!.\031\006\035Et\034Vbn\304\205J3\216\310\344\242q6FY\224u\005\233\014&\342%2>\211\236y\227\243\0226\211\234j\031\320\300\315%i[\210~\t\210gg\345\232\311\243\370h\353\370\341\24552(\205m\240VE\005\221dF6\301B\2422,e\244[l\266\305\264)*\274\365\246\031Fo\034mY26\2556\254\233\t\214\326\273\361\205GX8\247\0100\201\022\305\275\376;W\377\305\334\221N\024$\013\330Pp\000";
-    PyObject *data = __Pyx_DecompressString(cstring, 5231, 2);
+    #if (CYTHON_COMPRESS_STRINGS) == 2 /* compression: bz2 (5233 bytes) */
+const char* const cstring = "BZh91AY&SYX*\264\207\000\013\335\377\377\377\377\375\377\377\367\377\377\377\377\377\377\377\377\377\377\300@@`@@@@@@@@P\000@\000`\030_{\353\347\201\367\276\367\316\3345\344\035m\200\365\363\354\333\356\024\3726\254W\320\000\r\000\357\263\350\016\276\207\320\001\245>\330.\306\232\007v}\016\367\236\270\017\240\363\357\020\222P\222\236\231\2205\031\224\375\r)\352\236\324\364m\r\010x\242`&M&\214M\032h\323#A\223@4\304h\031\240aLi\004\224\225=\2152\214\325G\355BM\000\007\251\246\232\000\r\r\000\000\000d\000\000\001\240\000\000\003@\224\023A&\243Q\351=G\245?I\036\246A\352\006\215\031\2224\311\247\352\200\000\365\r\001\220\017SLA\346\251\265\000\000\320h\004\232RS@S4\206\301#\324\365\001\243@\000\006\203@\000\003 \000\000\332\200\032\000\001\243@\"TQ\247\252\006A\241\206\240d\320h4\032=@\000\000\001\240\000\006\200\000h4\0004\000D\241\000M\010\023\023&\201=L\223\r&\024\301\243Q\220\304bh\320hh\001\240\000\000\000\003M\037\374*\246\n\324\261(\345\022x\320_\275$V0G\004\030D\022\002\244\203\004#\004\214\030,\201\021\211\"\220\t\324\241J!\030\021\213\024\212\021W\017\271\346\262\304\370\342\313/\307w\037k\365\345\372\376\337\304\345c\037\2702X\014W(\r\010)\016M\226\002\250.\207O\252~\376\241\315\275\217[\327G\366\006=\243\331\347W\2361)S\334\n\373\275U\370}\355\252\213O\213\241\264\277\033te\026:M\323(\277,\\\365\371\262\255\r\275\274\033\206y\3339l6\372:\237_\330\317\201\370\333\270S\374\236?5\357F'\226OLR\016c\233\346\220\356\376\026\036\026\001d\340\320A\030\245\365\036\275\235\023'\206\277.B\350h\350\2425\237\"\225h\221\221\245)a\021\253\252R0\220\3104\021qK\"\220\226\352\215?p$%\222R\265\262Ie\226\371\234h)e$\220%.\350\350\243\230?\177\274\214=1\322d\347s\255Er\335\233\360\331\2712\025\231c\003{\227\356\354\2643\362iR\177TZ\206\242\326\3255M2\242\252@\375J\220R)\300\371\004\n\214\020A\004\020\020\020\020A\005W\245\342\342\031\t\230\0232Hd\310\333\256\014\314\222q\321\204\300\302q\005Jpid\344\330\222\205\002\226\304\320I\214@\265\214\000\324]\301A\220n\221\177\207Dk\215""\250\306\270\327\030\217#]{\324\221\306\313\206\361\342\252]\245#\250.k+M\030\005b\354+\206h\201\020\214\021\220H0R@\223\361\252\213\366rD2SWr\336\027\"B\020\004w\256\233\234\334\3279r\336Of%\313(\2162\216\235E\026\264\t\271\330\250zZz2O\236\032\0044\023&)\267\346C\213\203%Q\316\0375\321\365\314b\023\024\313\023Lfxqq\221\224e\211A\022\337Dl\003\006\251\252\226V\326i\352,Sa(b\030\245\t\353 0\205\005\001f\303\232V*\362'\365\350\222\321\353\264\005\275$\247\350u\221\207Y\014PS\255zl\271\211\356\337\030C\206\207\234\235\267\177\316=\001y\332B\003\"@\257\000\364\240\334\026.T\310\177Z\200\332\"\025*\224\261\355`\322\262\266\371\016\241\365\335\306\247\263[\245\304kM;\316\0107\213{\232c\255\261n\334di\355\313\332\233\215\330\037\256al\351J\3563\001\004\350\352\217\345\373\326\251\020\021)\004Q9\003\302\220W\245\002\002!\024\257^\225Q\244\213Bb\253UX\374)M\232g`\343cP\244\310P\240\374\212\373\021\371\t\233\353\324\363\2445\203CT\3576+9\010\\\320\241\270\306(\224\2661\033\304<%FIb\252Q\"\016\255\264LR\213H\2129\310\010\027\000\203\037aH\230\027\326\013!!\255\375I%m\013*2KZp\344E)\245\263\013\tp6\n\273\267\016p8s\320\360r\224\304\216\245J\007/N\007L\013\026\337\205\222\241hPLp\tP\366\247F\033'\024M\250B\220(\206G\337\323\032\231\246\240\324\3005\002\245b\023\232\243\305\331\r\030\3564M\260\0166Mnl!\312iq\261\230\354\310\033$\034O\227\320os\324\353y\320M\252\030\234\313\240j\026\0105\n!\252\357\3300&\034\016B\261\005T\031\025T,\016TWH\233\226LHF\202c\234<\251\240\306\001\310\342iSq\226]\006g2b\233%s/4\336f!yv&\373\310\225\324\201-\262a\205S\201\001\344\360(\001\324\022\217\224\2637<\222\010\215I\255p\345\310\210o\322xE\"\264\2765-(\223\351,\367\270%\245\016\3578\264\204\305-$G.,@\334\201\243\022\362\020HF\306\342\324\305\201L7kL\253G2\024\345\304\310\310\311!B\031p\213\203lB\226Ll\235\251\277\227\023\"\247ICC\004\340\224!S\240\265Mr\010h\030\027\225\246f%\010n\334\310]\266I\251\277\003\022\033p(\027\rH\027\212Q\336\207\030@\340\223j\232\350\\b^k\236\343\375\256k\275\274\315""\r\235\020.\273y\225\013\032U$\022\234B\340\225\310\324\340\364\\\326\274L\267\006\250j\272\204\352\205LW8\35768\231\025\330\241\201\013\217\001[y}\007\244<\347\240\365\303\322\373\036\311\354\340\204\2749!\314j\377Ew\256-\306\334\231e\203\030\302\241Gr\035(G\\akT\245\nC\216\250k\373\373\236\034\013\256\013\024!y=\317Y?\321-\315\211d\360\234\205&\n9\005\320\274\3000\303\003\tO\026.6\204e\006\0031\217NX\004\326H8\344\311w\270\t\250\024\322\211\223\3121\221\234\030\367\236\262\226@\023\320[C\031\244\"7)\010&\021}Z\263\013\273;F\224\252\004!o\257\243\354\227\226\333\324R+\355\375\263\325\304\360q\361o\336r`rK\244/\252@\211J\021*\373\345\252V\216\007\214\261\357\220)\221K\353\032\307N\373\312\373\346\206]\007\234\355\307Mi\252Q_;a\242\226\202\\{(\337K\214\210\362\303`1\214P\261\360\270<W3zO\314\230\310\\\033\272,V\240\204Y|\256\232\325F\364pt\032\303\002\350\252\322%BQ$\032\213\033\n\346\224\232`y\256(.T\326\265\r\264Z\232\325v\253r\034\344RR\017O)\272y\315\263\236\212r\345~\362\373\235\003\331\246\3219:O.\010jW\326\355\262\330\207\253\330(!u(\215\210\225\272\210zR\002W\005\365k\241\311\352Jwx\200\311>ri\340N\376!\265}iL1\021\321?\242\240TGp\2177\217\247\262\313\374\254\372p\247\326\224*\177\356|\005\354_7\223\314\371\215B\267xO\nC\002o\240\225\212\356\n\202\222FN\224\344\263<\232\2461\223\370:\360\005}\204\360x<\203\220\362\2263\266\344\262AO\235\247\304%MR\264\002\350\374\020O\2256\331\016n\214\035\231?;\364*!\340\002q\357\320}\313l\001~\241W6\362\333\204\353\353\3500pg^\024\034\345\331$\001B\010\026rB\333\022D\214*\n\315\003\014\363\261\321\340\223CA?\010\211\331\017\202%\2234\204\313\364{\2136e\246>o\002U&+\221W\006\306\3608\363\247/[\316\335t\273c\252_\231\2316\335\251\352\262f\232!\241\330ul^\032\004\344\315~=hKf\357\336\360ldC#\027\020{\">\250\020\202+;%\003\225\375\341\350l2\247\204j\032\263,\222\r2\325\030\364\314\247LS\245\313T\275\003L\241\320\235fg\336&MY\244\322p\211.t\020\213~\345\020\311\250u\372>\376\335\234\312\330\373oY|x`N\250L\241\224a\320\023\223""\312\247L\232S\021\201v\256\221\337'h\313*X\250\231q\027\355v\236Gq\202\342\344\344\232\333\033<E\251\306U\236\3773W4[\223\233\231+\325\326\217\255k\365M\316\200T3Y$>\213\004\214\257\267k\322\302}v.\026\207Y\226t\256\342\023e\247\322\007\202Szf2R\241\260\325\"g\233!\013\351\200Y\rR\362_\220S#Xp\036.a\200\330\305t3\204\202\212\013t\2247\250\340\310*\014\2143\362\rm\240\340\006@\311\214\323\325\202\r\300\036\205 \204\010D8\024D8\037Y\016\027\034/\025\346\273\2510\0238A\320\206\261\255`\037\345B\302l\311\246n\342\tca\n\211\023\302\025\304\271,\025\370\007\347L\005w\203x\315\010\321#\022)\330\231v\027\321\016#qd\004\342\224\024\336\\\\p$\301\026$\022\203\344M\212\r\305\216!\204`<\032\235\311\251x\347^j@%\226\301#\016o\270\027\305$E\204$E\330\315\0303\021\246\242%Z\006\224>\351\032\225K\206\211U3\000\252\303\2628sJx\374\002'\351W\252h\360$\320CC\320>\360\036\367\313>S\353|\242\342\372%\363\313\355\364u!\327\301;\342\211\364N\n\320\341\026\250a\334\024\250>\020\241aB\246\240\354\016\337\t\351\310\333\030F\206p\365\252\226\014\302\333\\\206\263\002\364\265\311r\214F\360\360\301[\340\357\203\303\360\326\352\257vy9?j\353\374w\356\300\261\235r@\300?\025@\237\225\022\350)x\035&\232Y\304\211q\022\003\022$F\t I\222I=[\212\315\325K&\311\241\311\205\020:C%\315'~\036\023\247\247\260\370=\215;\322\032\235)@\r\344\337\026\004\264J'$.Z\203H\022+/K\313%GzP\257^\026A<\324P*\205\361d\020\270au{(>\202\232Ul@\316\331\343\033\215\014\353\307\325\304\363\035\376OWw\271;\371\366|\351\343C\310J\225KO\024\252u\027\225\0327\211\326.\t\0021\257\240\2541\245\022\3164\241\032^\232&9\225)*\325%r\325\316)\202\002E\002\007z\016T\270a\214\246\245\370\331\014\314\311\232\270\004st\371%Sq/\244\276\264r\332\006\032\016\007j\214qX\205\340Jc\246[\263\355=\224\014x\234~\355\345\010eP\333\304ar\341ehA\372\204l\357.)5\243x\375\303\234\211\266'\322\300D\364s,B\234\276c*nK0\t\026\001\002A\202Aa\001f\224\255J\020 \302X\313T\t\271\016CM\311\320\205\252_\321\003\230\335N\224w\350Y$\031 \332\211\276\211P\341\221""\n\336pS\020\274\241\301<\000Q\342\254,E\204\023:-\341\300\262\345\340K\356C\346B\343\004\240\0376(9\313\370\245V\214+A\351/\273>RZ\033L\343XL8\222\242\206Es\"\232\225\250[\034\221X\326\026f\235]C\322\272\005\213\t,^v8\027\313\363\364\315=~n]{`'\300\030H\236\375'\330B \022\031\002\364\251\360\316\211\331w\223~\352\304\273My\206\2420\211\370\376\343A\0178\023=\214\364&\207\2474\000\324L\303\302\207\215\327\265\335\270\304\246%(G\255\366\213\322\346\340\256\251\010\204V@\010\014\"/LX(TTHrPO\214\200\331\364\2277Cyj\\\033T\241\003\341:\312\240\\}\264\274\257\315\337\362g~\207Y\345&\275G\200\202\206h|[>\357\227\210\327\002\363\n\230\203\rC+\034/\364\241\316\206Y\241a~2319\354\207e\210@\226N\356Z~\016\231\213\231`\334.~\366\352\032\021/\240\024=\323\347\321*\222&\000Q\217\272\374{\3204D\262F{\007\3179bb\352\204\2120\"$\200\305\"@\030\244\000\325\346\253\337\355\001\233\327\010\300:>\003\254\350M\340j^g\346\242\364%\305\345\352\030\023\002\022\373\tH`yJ\206\210\225\0275\"\021UP\357gs\303\251\001\203Q\244/^\334G\021\306d=\303C\264\361t\354\363\275\320\220\2220\032|]G\311\346\327wh\035ctZ\006\220A\203)H\214\224\025\004HX$\3241\022\024\245B\200\024U\202\304\241E\364|\335\374\003\3038\367\371A\305~a4\rC\211\351\013\362C\004\255\017.8\367\t\n\227\226\370Sl\003i\265\334\325\217*\031\246\340\205\026\204\"\0247\322\236\003k\267!\315l\320/\003\001R\3504\025\304E\277}\347\320\345ns\"b\300(Qh\2247\224f\351\302\302\031\231\225PTq\0222\214\207y \204T\304Q\347\247\"~\254qAN\033+\257 ,B!mh\245/7^\"\326\342\t\004\222\021c\035\220/K\224\301/\245\251@/`\220\007N\313\321\303\002\364\241U0\207\256\211\001\271\010\321@\202zH!|RE-\022&c\227=\r\007+\220\317\305L\036\027\341\2368\302H4\231\326\203\n\320\304\262U!\020\344'\266(\222\200C3;\352\210\022-\304@\273\001D\304\314N\247\317\250a\251\212p\242\246$D\244\035w\035z\202X\372\206E&\360\210\020\242\004\242X\312\265\030\216\200\034\306\362\020c\317\210\202{Y\034\337\315<\027\217\"A\211\025a\251C\225b\324\361\026\032\025~\312aTJ\322\232y\016\201""\367X#\300T\273\234\275\035\023\001\026\300\032\220s\221\n\246\242\206$\001i\364\022\245UJ\244b\000\311\337\267x>P\335\203\330@\334h\221\220\246\273\300)\306\304\276M\014\t\204Y\267a\271\2775c\025Q\3254\212\233\224\335\2749\302\2475\274`t\302' )\037\000Q\0230\335\321\326\00459\316N__cn\361\036d\013\203\244\341\013\313\370\266\327\307\257m\0058g\013\261),-N1\nB\221\010\273\324\206\3053`3\"\0257\246e\367\031\230s\316\212mqLT\241\323\334t\3357\\\275[\320\241\030\310\033R\245\367\004\\\334\230f5\370\013s\027\2462\201\366=\360=\361\023\351\277R\364h\323\2200o\251\331[%lY\263\221\210\342\034N\354R*\265\307\2251\222\232'\006C\235M\240\302[(\222\"a\200P`-I\300V\r\005:\276 ;\230\005T\304\260%\016\3433\032\036\032-\222\007\2264\321\001\205\317jw\207\232\361\246\342\345\256\245\003\311\236\355/Ip\371<\267\373\332\362^c\241j\202X\262\033\315\005\n1\006\243\312\006\245D\270\022\205\326\000\271>b\304r\304\317\224\316\344\345\234U3\320\251D\000\336\005\364\262n\"RR\357\214K\240\206\211\260z\325\274\360\365\276\023\317\367\365\342\366\035\\<tK\016\024\030c\022\202;\344\341\030\205ZSy\014\026*4\246P\30662\2014\030\223*\223S|:N\245\007\036h0\2258(\222\034\270\304\315\203\n\005\004\304\222\364\364\245\003\013\212h\265\241jXq\312\260\360\024\277(p`\304\266\344x\035u31\262[\354&\376\304\3545\310\230\300\253!\031P3^H\006\3259A^\006\000\233\316\352\024\3072\343\331\343\2112fF\230\022\331\213\242X\321\252\252\272\001\2512\211\r0\314\007\332F\301\212\027\334\203\226\327.~Ei\246\335\307\240\361\036'\331\366y\273\265\353;\216N\236\304\271\"\204)D\010)\275N\031R\247\200*\265\257\212\264L\022G\000\261\260\343\030\311\205\001\320\006'\030\010,w\365zQ\013\331\020\250(d\241p)U\245\311`\272\nY\205D\201e\324\260\267\r\026%\2747\323\344\302\344\202>\021B\204J\013\200\0251\242\005\346\370\267\021!\245\355\026$j1`\224Gs4,P\201\263W[;\262\322\224\261\253\002\315\000L\332\315P\315,\t\352L\350PJD\367\252\023\005n\317[\261\355]0\260\034{ZWj=\323\223\021C$\035D\322\227\\\2254(P\200rrR\276u\304O\264\014\031""\026I\351,\001Vh\005b\001X\202\361z\252\252\230\325+\013\224T\014d\231\010d\370\216d\206\274e`\3020UTi\006l\367\306\207\004\331\004\232\331\340\031 \230\026bR\202U\\DYl\275\243@\354*\022\207P\035\245\000\203\250P\260.`5B\247lH\237\000\237\025J\002\332\205\372_\215z\366\346x\252\305\326\014\257\n\355\302V\026\027\n\312\001\201\020=e9\310/\252\035\230\247\336\345\277+\007u\254\037\025kd\267u\033U8\300\355\361`w\224j\216\360\304\273\267\212\030\220E\3412n\304\253\273\254\220\353<\276\321\217^\375\236\223\201\344^\nR$4\017]=p\361\037,\327\326\330\327[!\3339\271\304\367Sb\213t\2656>\177A\230f\034\216\014{69\274\347QC\341\330\277\273\327\352\361iRj&;\203\2133\035S\316\264Z.\276\331\271K(l\306\273PSB\265hq8\371\rV\256\034\344\323\247^\032\276*D\345\363\225$\211$\026\261\016HYI1\356\330\266}\035k\006\261~t\341i\361\316?\"yHO\372\315\330\310\260Q\025\004@X\210:\210M\223vk\274s`\234\030P\036M\005\017\275'7'\304\210}\333\350Qx\222\204\212B%#\347'\206\336\204\217?t\270\206\030\336'\244|t\236TOp\220X\214\315\017X9FW\331\334\305\007\346\344q$9\322\374\270\301\317\300\312\3127\203\255\334\333\347\346+\354\234K\274\341\341]\354H@\204;>\202\310\364\302c\250\027u\255\014\205\345\350D\317|\215q\033\267\034\010\234G\0228\326\342\372Rq\310\207=o v \372\275\226\333\304\224G\234\274\312\376\007DB.\201\3473\274\001\363\003\314]\276#\266_F\363!\007\207\252\214\002f\001z+E\365{|\212\"\367}\301\335\241\203\272\201p\221s\213\331\342-(\220+\275q\303\375@\340mx\372\227\275M\236\343\207\340\236\265\353\266\213\227\030!=\220\333C\203\243\251[;P\366;\227\020;\022\356n\026Y3\232\343\226\216o\347\266\025\235!V\255\261oi\020\315\333\210u\346y\343\311\010\254\316\264\306j\314f\325\313j\365\212\3369jqiP\203\312\034\312T=\203\345\024P\347\347\027NI\376\254\363\351\3151\035-\314-\034j\341\206\017\324\274\032+\334\323\016\331\3009\027b\030\266\3624&5\304`\365\277\313\345}\351\373\\\205`\344\355\036#>\273\324W\267\332l\347\221\233\237\3355C4\214\330\330:r?\254Bt\337}\362\211C\240}}q\363\356\243h|\242\320""\234\222\315\225\237L\326LpBs\350\234\223s\243\016\265#]\327\343L\305\030\306]\214\245C\221\031\267G\013\007\035\303&\301=\273`\360M\354\363q0m1p\264a\226H\026T\352\005\263\376\353\037\033\034&\346\221O\315\332{Q\277\026\262\270V\267\240]Q8\270MJ%\305\330F\351\3149K\355\n\313p1\326\352\376E\\]N\201\322D\001\252\037\261e|A\337\r\335\337\0315\337\225\3145\367\232\374\211\006\0172p\264\242\034\241j\341THK\206A\207Q]\007\025\230\233\261!R\214\343\2629(\234M\221\226e\035Af\303\t\303\211L\217\240g\236e\350\304\215\242g\032\206t03IZV\342\037T\3043\263\362\315d\321\3744u\374p\322\232\231\024B\266\320+\"\202\310\262#\033`\241Q\031\0262\322-\266[b\332\024\225^z\323\014\2437\2166\254\231\033V\233VM\204\306k]\370\302\243\254\034S\204\030@\211b\336\357\035\253\377\342\356H\247\n\022\013\005V\220\340";
+    PyObject *data = __Pyx_DecompressString(cstring, 5233, 2);
     if (unlikely(!data)) __PYX_ERR(0, 1, __pyx_L1_error)
     const char* const bytes = __Pyx_PyBytes_AsString(data);
     #if !CYTHON_ASSUME_SAFE_MACROS
     if (likely(bytes)); else { Py_DECREF(data); __PYX_ERR(0, 1, __pyx_L1_error) }
     #endif
     #elif (CYTHON_COMPRESS_STRINGS) != 0 /* compression: zlib (4756 bytes) */
-const char* const cstring = "x\332\355;K[\033W\226\246$'\200\235\244q\372\353\231\314L\246\013\322\323\006\177XF\230\330i\246q\314\303o'\346il\300.\227\244+TP\252*\325C \374H\226Z\326R\275\323RK-\265\324R\313Z\262\344\233_\340\2370\347\334\272\365\222\004\rv\354N\247\341\2639\245\322\275\347\375\254[\334\030O\214'\256\316\211\246\310\347-\303\344S\204\027y\374x[\027\363$\270\237\023\213\360\215\311\313D\204O\252B\370\264\252\024\211nJ\312&\257\211f.\321\317\303\017\375u\3130\245\274h\"\246\355\313\252\236!:\377\203\250o\253E>\257f\210\314gu5\317\247\001\253\232\207\257\266TKWH\211\317\000\255\004?'e\263D'\212)\227\334uy\272S\240;Gy3'\031|\326R\322\246\244*\274d\022\035\350\030<q)\342=K1%\031(g\210!\001e\222a\214n\022%Mx\330\255\0231\235\203\333\242\222\341\211\"\246d\330\237\267dS\322t5M\014\003\004\n\3112/\242\036\200\216A?^\366\177\350G\252\237\311@_\364&\376\264Kg\270(\213\242.\240\262&y\303\324\201P\260^\225\255\274\302\253Y\027%\260l\212\222\342\3516\264\033\205\341O\260\335TMQf*0@?\240=U\347Q\005!\253!\342\242([\304\307<\312\253\032\252S\004\235gHV\004\375\360?\202\325\217AQ'E\242\000\252C\350(\226,\237\\\000\252\005\260>x`F\345\025\225:b\006\276\014\211\346\322p\375m\222\227\0243`=\351\023\2128\"]\233\360\276\242k\024C\312\013\206)\352f\007\016\362\255\217%\017\274\345\255<\257X\371\024P\003\266a\233%S\0174\220+\010#\313\000'\223\024`0\257Y&\375*J*/\356\002%\242\265\023\212\350\031\026\265S\202-\256\025E\036\235U&\036q\240Gu\315KY\376\307\225\207\017G!@\320\343\315\0349\002\217\245 \233\300\363\034\r\3000\207\252eB\340\351\350\026)U\r\271\302mQ6\002\036\201\334\262n\021\210N]\004\375\3210\204`J\211)I\206O\020_)b\356\020\002\272\310\211\212Bd\203\006\237N\362*x\035O \342\323\246\301\357H\340\031\2408\235\230\0303\031\237\227\010O\006U\230\347\245\036CC7\206|v`\005\004\255\t\n\362\310\242\002<\322\211\300\324iW\264C<%\320\224\231\203\234\2219\266]\225\254*g:\360\216\371\210s\352\016\230C)\201\240\0321\245\016\237\201K\360h)[B\305\206\223WNDM\202<~\n3\335\010s\363\240\307\010S\023\351\340!`""\001\354\224\201\334\212\213\022\374\035\251H\003\rS\253\346\245;\2523\003\256y71\250\300\005\237\361\2223\257[\300\363\246\005\253\025\223\020\026\231:1\200\0143$\306(\304{)`\tE\201\354\207\301\231Q-\310\273!\316\022c\337\206rA r\300\017:<\362$\312\233\252.\231\271|\202_\206\217\241\314\317\3627$u\260\325N\216\331]#z\0328\0267\t\232\0228\222\334\325\324\256\304\347\271]>j\0324\014(EF\254 \241\322\235\265@B,F4\244\005\210\310nbvq\256p\342\240\346\3570*\262@\n\026D\nx\006\362|\364f\r\022\260\244ZF\010\201[\336d\t\026\244JQ.\003\346A\260\224jt\306:\206vg\250\213\231\214\344\026\010\3601\260\r\263\201\230\202\234\341[\"\254./\272\rp\377\220\237f\345M\001\226\037\223\352\254\033\304\323&\204\177\312\242\024\347as\n\357\352\250'\r\322\002\344\301D\177G\336X\244Y%R\305\351\265,a?\223\rj\270\021D\t\365\r\267\274g#\345\035\177\206\335\2325\342e\026A\301h\231\364>\362J\004Wd\007\255iB\270(OFJ\264\310\344s\223\001\365\006\206\365x\370\374b\316j\361\2610\006\311[\000c\352\322n\327\306\246\253\344\330\250\005\202\343\247\243\327\233jHO\246z\210P\001?A1)\301\306\256U\206u\213a\216hw\340S\014Y\225\226\035\201\225\235\311\223\033\225\357\276\245\rq\310\036\324\022\321b\347wG\036\346\264(\247Y\021\267\214\256\235\333I\251\206\274\340\244\264=\277\351\357Z\202\273\375\270\215\377\256\230\327d\022m\225\203^\372\241\n-\033\272Tp\353\306\215\033\274\224\327Th\2674\250IP\340\340\237\226\211|Om\331%\362\331\276K\376B\332:N\301\366\004\326k!m\024\207/\346LS3&\257\\a\242\212\301\376\204\244^\201%Wh\333\003\027\027G\241q\230\032\372\337\241\221\256\223\314\017b\3207\036b >*Wxr\031F*\243\374\020\366gC\000;2\000P}\027\212n\037\305\202\374}\310\217\006C\300\324P\367|\362\356\212\031\r%\"%s\254f\036\244\371\200\222\214\372\243\210\267\004\257\217!\240\333\233R!\203,\304\322e\267\236\366C\233\344\020AF\375\326}\n\013g7\337\322\333\2556\341\365\271\037\236g\332yOM\214\364G\262G\377a\017\017:U}\304\023\204\177\301\321\375W>R\377r\023\0336\213\264\023>^\267\030\370\215\341z\214\030j:\240=6\210\234""\365\373R\020\232=0\372\270\315\351\3736\251\236\226\376n\233*AEd\322\007\375\214\2241\336\243\251}\357\226Q\312\234\264k\014\355\370\330\215\343o\266\335i\317\273\006\201`\310\034\232|\217\352E\216\223T\332\212b\207\023\035\267\312t\253z\310\362\324\370\310\3416\353\034\014}\301\261\374\021>G,\035\242MJ\273\t\315\340\207\263\222n\230\227M\325J\347FyY\364\256\251\274\262\244\020Q\0379-H\037\375Y\362{W\225\017\236\341\217\314\350\276\231;&\253\223\245`\1775\365R\201z\346;=Y`aM\321\360\314\301C\331\343h\202'x\336pb:\030q\357/\027b9)\271\223Ku|*4o\374\002bQ<'!\366\016B\035B\343d5\360W>\356w\226\203\216B\000<t\177&\343s\344oq\307%\303\255d\254\220u\235\371\337\221,\255=\356\335\310\243\232w\346dt\303\337z\334\347\000\241zJ\177\335\226\220'<jb\207cl.\370!\230\013\334\306`S*\242\333\361\233\252\212\003\263\246\023\003\037\320{O\345\275rg\374\337\317\177\203\314\235\023\361i\266\373\374?\303\312\203\337\250\337\303'\365\005K\002\024\307k=\300\335$E\263\314\004\377\003\343\322eL\362N\302\3509\231\264\207~/\362\032\201\242%\355\341sup1\036\276\207\245\213\217f\201G\275HNG\315_~\324\3043\321\356\343\346X\307\221h7\377R\273\214r\377DG\207\272\232\026\024\315\354\220\275\333\301\221\246\302\242\010f\377\210L\203\226f\327;\026\203\245\200\226\271\254OI\223U\363\230'=t-\314\311f.\034\020V\332\275\005\241\247\2214V=f\003o\240\316H\206&\213%\257\033\372\207uZtvno\262P#\223\356WA'\206o\265\370~\357\n\023\270\322!\263\246\246\343\\\t\025USq\210)\022z\274\326}q\026\027g\361\350\374\220\325\250\324P\236p\025\214\026\315\252\262\254\356`@\271\270\016\031\332)\317\223\354\221]\370\201\014\177\310\221\005\020\234\014\3476\352\355\350(\335\227kt}\304\t\202\320\26167\211\201]D(~#h\330Q-\036B\022|\234A\227\365\237`\252\366k$\335\237\027\333\205D\333\225\260Vd\"Cwt\016\377g9z@\254\351\234\252\032\304M\210l*\366j\303\2247\036{\351~\352\370s2L\374\224\304\245K\227\370{\212\001\367\345\303\002\016U\232\305\261X\267\024\232\320%w=\206\362\360H\202\177,\201\037\363GJJq\320\267H\360\2408\301/\021""\323K\006S\364=\022L\0359\0102\367\r\004\030n\014q\223$\220\271\207\252\272\355V\021\244\357\"\0213EQI\323\243n\237\312\367\037_\214\371[?N?\274\267vk\216\237^\231=m\004~\361F\340\303?F\370\360\375\306o\270\232\237\276&w\372\232\334\351kr\247\257\311\235\276&w\372\232\334\351kr\247\257\311\235\276&w\372\232\034\236\035Cj\263`\222\021\361\371u\370\275\251\250(\270F8\351\213E\235/j\3718\227\242\317\036&\333o\320*K[8\250\206:4\014J\032D\247&\364\007\200\304c\227\324$\237\370\276\203?~\030\017A\370k\311\211\221\360L\316n'\257\217\215\370U\333\373+*\332+\256\217\215&\237\371o\255\370\337\271c/\270\027\246\353\366G\365\014\351\365\253#]8\270:v}$\230Y<|7\246\370\244\337&\207o\272\275[\344\016\355\272\"w\260\010\207o\270\207\350\235\024\3746\267\253\030\221a\202\316\030]\227Ek\277\217\236\037c\303R\204\342\030m\317Bw\306\014O@\372\367h2Q6ahI\032z\372J\272\244\211\351\355+\235\001\220\320J\273\235I\333U\347\267\311\353#\226\231\275\374\235?+\007\177\004\027\035'\273,p\233k\177\030>jg\333\202`':\374\221;\333\026\004;\335\254u\350V\326\245t\265A\027\035\t\350(\270\321/e\2020_\332\205\377sR\332\024~$\273\346\"\311.A\277M\014D!\032%%-\251\t\330\006n\001\2524\300\352\035a\203\317\351\\W\r\027\234p\315\010\n\2177x\204\343K\020\"\237\222\360Y\026\rC\330\304y\200\344\361#\220\026$E\000\003\247I\n\034\200=\037\365\3021C\322\300H\306,i0\020\340e\350\324\372\220\023\363\216sm?~Y\023\226\225U\321\2746\221\325\200?\374SDAh\017\341.w\222\301\353W\222\254\246\335\244,K)I\311\220]A\302\202\3044\211\222\031\333\3011t\367\363\357\366c\352\360\031\357a\207\313\235\347\300\002\230\013\264\0271Z\333'H,&\2063\360\n\221\204W\220i\374\024\344_\010c^\002\202\375\356#<\324\225\200X,\031\010\t\324\336\360\033=\215f!E\013\236\"@\257\256\225(\"\325\360\362\214[\351\360\231\263\226A\272\232lj\252F[W\227\021A@\253\270h#yE'\321r\337V\374\017\357\005\376^\227\000\255.\374\033\203\377\002\260\205\000\322\226\333\377\262\374\205\031\313@%\030\304d\022\303\025k\327!z\r+o\224\300AL\014\r\001\334X&\335\333\322""\216\022hjzG\032\023\204\316[\311\356\035!Ejxi\314KJ^\212\3613J1\315R\207 0\302EX],\355\312b\212\310%\372\373\347\236\375\3709\347\334\177V\222\225\331\212Q\375\246\272T\373\244\266\335\370\2529\322\232h\025\235\225ug\375\205\363Br\244\035gg\267c\361Z\315\254_k\0148g\222\365\257\033\271f\256%;k\304!\331\267z\317\231\263}\345\363\366\235\312\325\212X1\253\311\352\364~\357\347e\311.Tz\016\342\237\376l\226\223\345{\366\242]\330\357=W\376\013,\233\250\024\366\317_\260G\000\365\364A\260\262\267\034/O\227\237\332\251J\317~\357y\330\262Z\231\253\366\370+\337~r\246\357\013w-\\\002\305^\233\263\007\273\255DT\375\366\220\035f\243\267|\266\274X.\340\362\333\364\253\360\342O\313\272=\200_\335\265gl1L\021\310\234-?\261\227\220%\037W\237\323\367Ue\240\362Me\271:P\035\251M\324v\352b\275\324\2145'\232\205V\277\263\270\342\254<u\236\256Q\365\250\216\272\347\354\275y{\346\314O=3\034\200\031\356\036\202{\334}\004\367\271e\004\313\334\032\2025ND r\022\002\211\333\342\016\342\375\345\241\362\035;i\317U\270\312\340>0\313\225/\332\003\366\237\250\232\342}\345\013\345\353\366\240=a\353\225\201\203\370\357\354\263\366\202M*\343\225\305\212U\235\251\212\007\361/\312\246=\016\332/V\026*i\340\367O\325T\255\007o\357\201\010\203h\237=\373\202\235\334\357\375\254\274P\026\017\0208\237\017U\207\252\263\325B-VK\326\250\206b`\303[t\035\220\374=\254$\200ta\037\270\373\237r\001\210\202u]S\217\227\027\320\314\327\200\305A\274@\346\222\221\213o\355\036\373\337\\\223\270X\277\264\357\203\337\024\002\314W\355\255jOu \300\276T\351\257\016V\223\007\361\363\345\231\362\026(b\270\372gp\335L\375b\203\n\335\263O\355\273\002$&ALq\277\367\013\330\327[\351\251|Y\231\306\033\340\225\343\340\300z\375\017u\263\221lL7\026\032\351\346\037\232f+\331\232n-\264\304V\301\231_@\001v\312)\300\306t\021?W\376\316\376\256\222t\316\\\253\347\0329\347\366c\347\361\352\333\354\307q\367wX\351\372\353'\256\010\221{\201\371\242\367\373\355ap\343\205\250o\3777\210e\200\237\210\325R=^\277\003\372\272\327\\j\305ASk\316*x\365s\347\271""\340\010\220&\300\267-\307*9\245W\340\255\257{\346\320i\347\270[\010nq\217\020<\342\236\"x\312m \330\340\236!x\306=\347\320\224\323\373\240\255\002hr\006\354\315U/\327\254\372t}\261n4\006\033\023\215B\223k\0166\2576E0\322\367\316\332\206\263\221v\322\031'\223sr@y\333\331\226\035\031\350\033\216\001\341\365\322y\371\212\"sz\277\006\317\337\253]\250}\337\030j\334i&\233s\255\236\326\0050\363l\313t\226\200y\310q\200\245\340\024\374\235?\001K7\271i\344l\232\233E0\3131Q\356 \270\303=@\360\200[D\260\310-!X\362$\262\020X\\\tA\211\333C\260\307\275\344\272\371R\222\245T\036\234\373K\010/\243\366g\320\357\264sf\324\031\375+\350x\341m\356\243gR\\\333\347:\306\371\362}{\023SZ$5vzNh\313g\220Rwl\321\266*\267\253\203\007\300\323\004\204\035u\255~\247\357k\010\274\014\204\355_js\365O\353\205F_\363\367\315\205\346\2263\277\344,A =s\236\241#\241XFy\260|\025\225u\320\353\005\370\0250\341\365\372`}\0026\306\300\035v\300\021J\316<\354H9)\360\004,<N\026<\241\350\024]3\276v^G\262\354\002\202\005n\005\301\n\367\030\301c\356\t\202'\236SB\316\355=\323\367\331\321$\267\234-\305Q\300\325\300gtG/\302\316\235\036\346\021\314\307\347\021\314\267\371\307*\202UNC\240q&\002\323\363\226\035\004;\334.\202]\356\025\202W\334\243\030\"\213-!X\212-#X\216=F\3608\266\212`5\266\216`=VDP\214\355!\330\213\275D\3602\366\032\301\353\330\033\004ob3qTB|\025\301j|\035\301z|\003\301F\3749\202\347q\001\201\020\177\021\357\352\253\316\231Ig\362~+\341<\001U\027`\245\336\246XV\251\266\020lq\006\002\203{\215\3405w\013\231\270\345\311\260\211`3f!\260\220\3715\356\037\3230\234l\365\221a\321\331^\260n$\322p\2647\016\376\276\363\345\007X\260#(C\355\014\212\036mB\372\354\177\307Zv\314\264\036-\001\210\274\363N\034\334^Dr.\202\200\223\276\362W\300\344\254mTF\240h.\264\241\376\334\325_D\360\336J\254r\202\374p\020?\373\363\023\320\315\363\352_k\205\372'\365\255f\177\353\222\263\014\255'\244u\2102\010i7\222o\2437\335\366\302\213\005\355\013\004/\270,\202,\247 P8\2256J\243@\252XY\253\356\325\377\253\261\336:\347,A\216A\357u\n.>""\026\265,\0270D\333\010\266\275\310|\211\340%w\023}\365f\354.\202\2731\026\231,\010\237#x\036#\010Hl\033\301\266\027\22271\246n\306\347\021\314{\021&!\220\342:\002=\276\207`/\376\362\260\260\033\256}Q\177\323|\322\022\234\rH=%\\\354E\036\343\237\2454VK\031\377,\362\036 \037\017b\017co\213\334\257\256\226\034\331\260wz\350\277@\254\340\272^Z\37702\372\240#\037\252\314`\377\332\231X>+/\323\266_\264K\330\034\037\253\n\367\005\233\273\007\242\217\375K;y\254\271\346\211\363\004:((\303\320D\201{Z\350\365=\254wb\003M\264?\"\010\2107\320\310\010d\257Z\260\242\310\\w\026]w6v\037\301\375\330<\202y/\3466\020l\304R\010R^\314\261\2022\213\0015\033_D\260\030_C\260\026\177\206\340YP\352<Q\277\261W\260\341\205I\350\002\314\023]\333\r\016\372\317\253\215L\363bk\2405\342,m:\233n\267\351v\001\332A\377\005jr\013\306\342B5\206q\365.xt\324@\317C\024\375\241\227\341Xee\nd\203\341\n\327N\021\034\355\240\367w\330-A\302\200@K\301t4T}T\037\257\257\302d\263\334\034h\0165\247i\307~\307YZv\226!\013B\n\204N\035\022\353\256\263\013\375\372\036\306|\3229?\010Z\230\254-\326~j\244\232\237\202\215\261\307_\304Y\010Z\264Ug\325m\364\241\343\206\275;\316\316\033\347\215\333+G\033}\326$\337Ep\227\213vF,\325\262^\210e\\\326+3\263\277A\360\306\313\270\323\010\246c3\261\003\227\303?V\364\352\177\324\306kBc\246\261\t\355c\2465\330\032\207\211-\355,\2007\302T\000\302A#\010\334\341\014\340\274\362y\234\246\275\335\300\373h\311\235j\230\010l>_G\260\036\3141\350^\234\300\375\266\364\211\355\2327\31516\3303\013\306\rs[\306\224\216@\347\212\010\212^o{\222\201\350\217\324\255\257V\323\265\201\377\007\226\021p\006";
+const char* const cstring = "x\332\355;K[\033W\226\246$'\200\235\244q\372\353\231\314L\246\013\322\323\006\177XF\230\330i\246q\314\303o'\346il\300.\227\244+TP\252*\325C \374H\226Z\326R\275\323RK-\265\324R\313Z\262\344\233_\340\2370\347\334\272\365\222\004\rv\354N\247\341\2639\245\322\275\347\375\254[\334\030O\214'&\346DS\344\363\226a\362)\302\213<~\274\255\213y\022\334\317\211E\370\306\344e\"\302'U!|ZU\212D7%e\223\327D3\227\350\347\341\207\376\272e\230R^4\021\323\366eU\317\020\235\377A\324\267\325\"\237W3D\346\263\272\232\347\323\200U\315\303W[\252\245+\244\304g\200V\202\237\223\262Y\242\023\305\224K\356\272<\335)\320\235\243\274\231\223\014>k)iSR\025^2\211\016t\014\236\270\024\361\236\245\230\222\014\2243\304\220\2002\3110F7\211\222&<\354\326\211\230\316\301mQ\311\360D\021S2\354\317[\262)i\272\232&\206\001\002\205d\231\027Q\017@\307\240\037/\373?\364#\325\317d\240/z\023\177\332\2453\\\224EQ\027PY\223\274a\352@(X\257\312V^\341\325\254\213\022X6EI\361t\033\332\215\302\360'\330n\252\246(3\025\030\240\037\320\236\252\363\250\202\220\325\020qQ\224-\342c\036\345U\r\325)\202\3163$+\202~\370\037\301\352\307\240\250\223\"Q\000\325!t\024K\226O.\000\325\002X\037<0\243\362\212J\0351\003_\206Dsi\270\3766\311K\212\031\260\236\364\tE\034\221\256Mx_\3215\212!\345\005\303\024u\263\003\007\371\326\307\222\007\336\362V\236W\254|\n\250\001\333\260\315\222\251\007\032\310\025\204\221e\200\223I\n0\230\327,\223~\025%\225\027w\201\022\321\332\tE\364\014\213\332)\301\026\327\212\"\217\316*\023\2178\320\243\272\346\245,\377\343\312\303\207\243\020 \350\361f\216\034\201\307R\220M\340y\216\006`\230C\3252!\360tt\213\224\252\206\\\341\266(\033\001\217@nY\267\010D\247.\202\376h\030B0\245\304\224$\303'\210\257\0241w\010\001]\344DE!\262A\203O'y\025\274\216'\020\361i\323\340w$\360\014P\234NL\214\231\214\317K\204'\203*\314\363R\217\241\241\033C>;\260\002\202\326\004\005ydQ\001\036\351D`\352\264+\332!\236\022h\312\314A\316\310\034\333\256JV\2253\035x\307|\3049u\007\314\241\224@P\215\230R\207\317\300%x\264\224-\241b\303\311+'""\242&A\036?\205\231n\204\271y\320c\204\251\211t\360\020\260\000v\312@n\305E\t\376\216T\244\201\206\251U\363\322\035\325\231\001\327\274\233\030T\340\202\317x\311\231\327-\340y\323\202\325\212I\010\213L\235\030@\206\031\022c\024\342\275\024\260\204\242@\366\303\340\314\250\026\344\335\020g\211\261oC\271 \0209\340\007\035\036y\022\345MU\227\314\\>\301/\303\307P\346g\371\033\222:\330j'\307\354\256\021=\r\034\213\233\004M\t\034I\356jjW\342\363\334.\0375\r\032\006\224\"#V\220P\351\316Z !\026#\032\322\002Dd71\2738W8qP\363w\030\025Y \005\013\"\005<\003y>z\263\006\tXR-#\204\300-o\262\004\013R\245(\227\001\363 XJ5:c\035C\2733\324\305LFr\013\004\370\030\330\206\331@LA\316\360-\021V\227\027\335\006\270\177\310O\263\362\246\000\313\217Iu\326\r\342i\023\302?eQ\212\363\2609\205wu\324\223\006i\001\362`\242\277#o,\322\254\022\251\342\364Z\226\260\237\311\0065\334\010\242\204\372\206[\336\263\221\362\216?\303n\315\032\3612\213\240`\264Lz\037y%\202+\262\203\3264!\\\224'#%Zd\362\271\311\200z\003\303z<|~1g\265\370X\030\203\344-\2001ui\267kc\323Url\324\002\301\361\323\321\353M5\244'S=D\250\200\237\240\230\224`c\327*\303\272\3050G\264;\360)\206\254J\313\216\300\312\316\344\311\215\312w\337\322\2068d\017j\211h\261\363\273#\017sZ\224\323\254\210[F\327\316\355\244TC^pR\332\236\337\364w-\301\335~\334\306\177W\314k2\211\266\312A/\375P\205\226\r]*\270u\343\306\r^\312k*\264[\032\324$(p\360O\313D\276\247\266\354\022\371l\337%\177!m\035\247`{\002\353\265\2206\212\303\027s\246\251\031\223W\2560Q\305`\177BR\257\300\222+\264\355\201\213\213\243\3208L\r\375\357\320H\327I\346\0071\350\033\0171\020\037\225+<\271\014#\225Q~\010\373\263!\200\035\031\000\250\276\013E\267\217bA\376>\344G\203!`j\250{>yw\305\214\206\022\221\2229V3\017\322|@IF\375Q\304[\202\327\307\020\320\355M\251\220A\026b\351\262[O\373\241Mr\210 \243~\353>\205\205\263\233o\351\355V\233\360\372\334\017\3173\355\274\247&F\372#\331\243\377\260\207\007\235\252>\342\t\302\277\340\350\376+\037\251\177\271\211\r\233E\332\t\037\257[\014\374\306p=F""\0145\035\320\036\033D\316\372})\010\315\036\030}\334\346\364}\233TOK\177\267M\225\240\"2\351\203~F\312\030\357\321\324\276w\313(eN\3325\206v|\354\306\3617\333\356\264\347]\203@0d\016M\276G\365\"\307I*mE\261\303\211\216[e\272U=dyj|\344p\233u\016\206\276\340X\376\010\237#\226\016\321&\245\335\204f\360\303YI7\314\313\246j\245s\243\274,z\327T^YR\210\250\217\234\026\244\217\376,\371\275\253\312\007\317\360Gft\337\314\035\223\325\311R\260\277\232z\251@=\363\235\236,\260\260\246hx\346\340\241\354q4\301\023<o81\035\214\270\367\227\013\261\234\224\334\311\245:>\025\2327~\001\261(\236\223\020{\007\241\016\241q\262\032\370+\037\367;\313AG!\000\036\272?\223\3619\362\267\270\343\222\341V2V\310\272\316\374\357H\226\326\036\367n\344Q\315;s2\272\341o=\356s\200P=\245\277nK\310\023\0365\261\30316\027\374\020\314\005nc\260)\025\321\355\370MU\305\201Y\323\211\201\017\350\275\247\362^\2713\376\357\347\277A\346\316\211\3704\333}\376\237a\345\301o\324\357\341\223\372\202%\001\212\343\265\036\340n\222\242Yf\202\377\201q\3512&y'a\364\234L\332C\277\027y\215@\321\222\366\360\271:\270\030\017\337\303\322\305G\263\300\243^$\247\243\346/?j\342\231h\367qs\254\343H\264\233\177\251]F\271\177\242\243C]M\013\212fv\310\336\355\340HSaQ\004\263\177D\246AK\263\353\035\213\301R@\313\\\326\247\244\311\252y\314\223\036\272\026\346d3\027\016\010+\355\336\202\320\323H\032\253\036\263\2017Pg$C\223\305\222\327\r\375\303:-:;\2677Y\250\221I\367\253\240\023\303\267Z|\277w\205\t\\\351\220YS\323q\256\204\212\252\2518\304\024\t=^\353\2768\213\213\263xt~\310jTj(O\270\nF\213fUYVw0\240\\\\\207\014\355\224\347I\366\310.\374@\206?\344\310\002\010N\206s\033\365vt\224\356\3135\272>\342\004A\350X\233\233\304\300.\"\024\277\0214\354\250\026\017!\t>\316\240\313\372O0U\3735\222\356\317\213\355B\242\355JX+2\221\241;:\207\377\263\034= \326tNU\r\342&D6\025{\265a\312\033\217\275t?u\3749\031&~J\342\322\245K\374=\305\200\373\362a\001\207*\315\342X\254[\nM\350\222\273\036Cyx$\301?\226\300\217\371#%\2458\350[$xP\234\340\227\210\351%""\203)\372\036\t\246\216\034\004\231\373\006\002\0147\206\270I\022\310\334CU\335v\253\010\322w\221\210\231\242\250\244\351Q\267O\345\373\217/\306\374\255\037\247\037\336[\2735\307O\257\314\2366\002\277x#\360\341\037#|\370~\3437\\\315O_\223;}M\356\3645\271\323\327\344N_\223;}M\356\3645\271\323\327\344N_\223;}M\016\317\216!\265Y0\311\210\370\374:\374\336TT\024\\#\234\364\305\242\316\027\265|\234K\321g\017\223\3557h\225\245-\034TC\035\032\006%\r\242S\023\372\003@\342\261Kj\222O|\337\301\037?\214\207 \374\265\344\304Hx&g\267\223\327\307F\374\252\355\375\025\025\355\025\327\307F\223\317\374\267V\374\357\334\261\027\334\013\323u\373\243z\206\364\372\325\221.\034\\\035\273>\022\314,\036\276\033S|\322o\223\3037\335\336-r\207v]\221;X\204\3037\334C\364N\n~\233\333U\214\3100Ag\214\256\313\242\265\337G\317\217\261a)Bq\214\266g\241;c\206' \375{4\231(\2330\264$\r=}%]\322\304\364\366\225\316\000Hh\245\335\316\244\355\252\363\333\344\365\021\313\314^\376\316\237\225\203?\202\213\216\223]\026\270\315\265?\014\037\265\263mA\260\023\035\376\310\235m\013\202\235n\326:t+\353R\272\332\240\213\216\004t\024\334\350\2272A\230/\355\302\3779)m\n?\222]s\221d\227\240\337&\006\242\020\215\222\222\226\324\004l\003\267\000U\032`\365\216\260\301\347t\256\253\206\013N\270f\004\205\307\033<\302\361%\010\221OI\370,\213\206!l\342<@\362\370\021H\013\222\"\200\201\323$\005\016\300\236\217z\341\230!i`$c\2264\030\010\3602tj}\310\211y\307\271\266\037\277\254\t\313\312\252h^\233\310j\300\037\376)\242 \264\207p\227;\311\340\365+IV\323nR\226\245\224\244d\310\256 aAb\232D\311\214\355\340\030\272\373\371w\3731u\370\214\367\260\303\345\316s`\001\314\005\332\213\030\255\355\023$\026\023\303\031x\205H\302+\3104~\n\362/\2041/\001\301~\367\021\036\352J@,\226\014\204\004jo\370\215\236F\263\220\242\005O\021\240W\327J\024\221jxy\306\255t\370\314Y\313 ]M65U\243\255\253\313\210 \240U\\\264\221\274\242\223h\271o+\376\207\367\002\177\257K\200V\027\376\215\301\177\001\330B\000i\313\355\177Y\376\302\214e\240\022\014b2\211\341""\212\265\353\020\275\206\2257J\340 &\206\206\000n,\223\356miG\t45\275#\215\tB\347\255d\367\216\220\"5\2744\346%%/\305\370\031\245\230f\251C\020\030\341\"\254.\226ve1E\344\022\375\375s\317~\374\234s\356?+\311\312l\305\250~S]\252}R\333n|\325\034iM\264\212\316\312\272\263\376\302y!9\322\216\263\263\333\261x\255f\326\2575\006\2343\311\372\327\215\\3\327\222\2355\342\220\354[\275\347\314\331\276\362y\373N\345jE\254\230\325duz\277\367\363\262d\027*=\007\361O\1776\313\311\362={\321.\354\367\236+\377\005\226MT\n\373\347/\330#\200z\372 X\331[\216\227\247\313O\355T\245g\277\367<lY\255\314U{\374\225o?9\323\367\205\273\026.\201b\257\315\331\203\335V\"\252~{\310\016\263\321[>[^,\027p\371m\372Ux\361\247e\335\036\300\257\356\3323\266\030\246\010d\316\226\237\330K\310\222\217\253\317\351\373\2522P\371\246\262\\\035\250\216\324&j;u\261^j\306\232\023\315B\253\337Y\\qV\236:O\327\250zTG\335s\366\336\274=s\346\247\236\031\016\300\014w\017\301=\356>\202\373\3342\202en\r\301\032'\"\0209\t\201\304mq\007\361\376\362P\371\216\235\264\347*\\ep\037\230\345\312\027\355\001\373OTM\361\276\362\205\362u{\320\236\260\365\312\300A\374w\366Y{\301&\225\361\312b\305\252\316T\305\203\370\027e\323\036\007\355\027+\013\2254\360\373\247j\252\326\203\267\367@\204A\264\317\236}\301N\356\367~V^(\213\007\010\234\317\207\252C\325\331j\241\026\253%kTC1\260\341-\272\016H\376\036V\022@\272\260\017\334\375O\271\000D\301\272\256\251\307\313\013h\346k\300\342 ^ s\311\310\305\267v\217\375o\256I\\\254_\332\367\301o\n\001\346\253\366V\265\247:\020`_\252\364W\007\253\311\203\370\371\362Ly\013\0241\\\3753\270n\246~\261A\205\356\331\247\366]\001\022\223 \246\270\337\373\005\354\353\255\364T\276\254L\343\r\360\312qp`\275\376\207\272\331H6\246\033\013\215t\363\017M\263\225lM\267\026Zb\253\340\314/\240\000;\345\024`c\272\210\237+\177g\177WI:g\256\325s\215\234s\373\261\363x\365m\366\343\270\373;\254t\375\365\023W\204\310\275\300|\321\373\375\3660\270\361B\324\267\377\033\3042\300O\304j\251\036\257\337\001}\335k.\265\342\240""\2515g\025\274\372\271\363\\p\004H\023\340\333\226c\225\234\322+\360\326\327=s\350\264s\334-\004\267\270G\010\036qO\021<\3456\020lp\317\020<\343\236sh\312\351}\320V\00149\003\366\346\252\227kV}\272\276X7\032\203\215\211F\241\3115\007\233W\233\"\030\351{gm\303\331H;\351\214\223\31199\240\274\355l\313\216\014\364\r\307\200\360z\351\274|E\2219\275_\203\347\357\325.\324\276o\0145\3564\223\315\271VO\353\002\230y\266e:K\300<\3448\300Rp\n\376\316\237\200\245\233\3344r6\315\315\"\230\345\230(w\020\334\341\036 x\300-\"X\344\226\020,y\022Y\010,\256\204\240\304\355!\330\343^r\335|)\311R*\017\316\375%\204\227Q\3733\350w\33293\352\214\376\025t\274\3606\367\3213)\256\355s\035\343|\371\276\275\211)-\222\032;='\264\3453H\251;\266h[\225\333\325\301\003\340i\002\302\216\272V\277\323\3675\004^\006\302\366/\265\271\372\247\365B\243\257\371\373\346Bs\313\231_r\226 \220\2369\317\320\221P,\243<X\276\212\312:\350\365\002\374\n\230\360z}\260>\001\033c\340\016;\340\010%g\036v\244\234\024x\002\026\036'\013\236Pt\212\256\031_;\257#Yv\001\301\002\267\202`\205{\214\3401\367\004\301\023\317)!\347\366\236\351\373\354h\222[\316\226\342(\340j\3403\272\243\027a\347N\017\363\010\346\343\363\010\346\333\374c\025\301*\247!\3208\023\201\351y\313\016\202\035n\027\301.\367\n\301+\356Q\014\221\305\226\020,\305\226\021,\307\036#x\034[E\260\032[G\260\036+\"(\306\366\020\354\305^\"x\031{\215\340u\354\r\2027\261\2318*!\276\212`5\276\216`=\276\201`#\376\034\301\363\270\200@\210\277\210w\365U\347\314\2443y\277\225p\236\200\252\013\260RoS,\253T[\010\2668\003\201\301\275F\360\232\273\205L\334\362d\330D\260\031\263\020X\310\374\032\367\217i\030N\266\372\310\260\350l/X7\022i8\332\033\007\177\337\371\362\003,\330\021\224\241v\006E\2176!}\366\277c-;fZ\217\226\000D\336y'\016n/\"9\027A\300I_\371+`r\3266*#P4\027\332P\177\356\352/\"xo%V9A~8\210\237\375\371\t\350\346y\365\257\265B\375\223\372V\263\277u\311Y\206\326\023\322:D\031\204\264\033\311\267\321\233n{\341\305\202\366\005\202\027\\\026A\226S\020(\234J\033\245Q U\254""\254U\367\352\377\325Xo\235s\226 \307\240\367:\005\027\037\213Z\226\013\030\242m\004\333^d\276D\360\222\273\211\276z3v\027\301\335\030\213L\026\204\317\021<\217\021\004$\266\215`\333\013\311\233\030S7\343\363\010\346\275\010\223\020Hq\035\201\036\337C\260\027\177yX\330\r\327\276\250\277i>i\t\316\006\244\236\022.\366\"\217\361\317R\032\253\245\214\177\026y\017\220\217\007\261\207\261\267E\356WWK\216l\330;=\364_ Vp]/\255\177\030\031}\320\221\017Uf\260\177\355L,\237\225\227i\333/\332%l\216\217U\205\373\202\315\335\003\321\307\376\245\235<\326\\\363\304y\002\035\024\224ah\242\300=-\364\372\036\326;\261\201&\332\037\021\004\304\033hd\004\262W-XQd\256;\213\256;\033\273\217\340~l\036\301\274\027s\033\0106b)\004)/\346XA\231\305\200\232\215/\"X\214\257!X\213?C\360,(u\236\250\337\330+\330\360\302$t\001\346\211\256\355\006\007\375\347\325F\246y\2615\320\032q\2266\235M\267\333t\273\000\355\240\377\0025\271\005cq\241\032\303\270z\027<:j\240\347!\212\376\320\313p\254\2622\005\262\301p\205k\247\010\216v\320\373;\354\226 a@\240\245`:\032\252>\252\217\327Wa\262Yn\0164\207\232\323\264c\277\343,-;\313\220\005!\005B\247\016\211u\327\331\205~}\017c>\351\234\037\004-L\326\026k?5R\315O\301\306\330\343/\342,\004-\332\252\263\3526\372\320q\303\336\035g\347\215\363\306\355\225\243\215>k\222\357\"\270\313E;#\226jY/\3042.\353\225\231\331\337 x\343e\334i\004\323\261\231\330\201\313\341\037+z\365?j\3435\2411\323\330\204\3661\323\032l\215\303\304\226v\026\300\033a*\000\341\240\021\004\356p\006p^\371<N\323\336n\340}\264\344N5L\0046\237\257#X\017\346\030t/N\340~[\372\304v\315\233\346\030\033\354\231\005\343\206\271-cJG\240sE\004E\257\267=\311@\364G\352\326W\253\351\332\300\377\003\344\343p\007";
     PyObject *data = __Pyx_DecompressString(cstring, 4756, 1);
     if (unlikely(!data)) __PYX_ERR(0, 1, __pyx_L1_error)
     const char* const bytes = __Pyx_PyBytes_AsString(data);
@@ -13961,7 +13961,7 @@ const char* const cstring = "x\332\355;K[\033W\226\246$'\200\235\244q\372\353\23
     if (likely(bytes)); else { Py_DECREF(data); __PYX_ERR(0, 1, __pyx_L1_error) }
     #endif
     #else /* compression: none (20183 bytes) */
-const char* const bytes = ">2.2.3Data must be a DataFrameData must have at least one converting path.\n    \n    Estimate a k-order Markov model from customer journey data. Differently from markov_model, this function iterates estimation until a desidered convergence is reached and enables multiprocessing.\n    \n    Parameters\n    ----------\n    Data : DataFrame\n        customer journeys.\n    var_path: string\n        column of Data containing paths.\n    var_conv : string\n        column of Data containing total conversions for each path.\n    var_value : string, optional, default None\n        column of Data containing revenue for each path.\n    var_null : string\n        column of Data containing total paths that do not lead to conversion.\n    order : int, default 1\n        Markov model order.        \n    nsim_start : int, default 1e5\n        minimum number of simulations to be used in computation.        \n    max_step : int, default None\n        maximum number of steps for a single simulated path. if NULL, it is the maximum number of steps found into Data.        \n    out_more : bool, default False\n        if True, transition probabilities between channels and removal effects will be returned.                \n    sep : string, default \">\"\n        separator between the channels.    \n    ncore : int, default 1\n        number of threads to be used in computation.        \n    nfold : int, default 10\n        how many repetitions to be used to verify if convergence has been reached at each iteration.    \n    seed : int, default 0\n        random seed. Giving this parameter the same value over different runs guarantees that results will not vary.    \n    conv_par : double, default 0.05\n        convergence parameter for the algorithm. The estimation process ends when the percentage of variation of the results over different repetions is less than convergence parameter.    \n    rate_step_sim : double, default 0\n        number of simulations used at each iteration is equa""l to the number of simulations used at previous iteration multiplied by rate_step_sim.    \n    verbose : bool, default True\n        if True, additional information about process convergence will be shown.    \n    flg_pro : bool, default True\n        if True, ChannelAttribution Pro banner is printed.\n            \n    Returns\n    -------\n    list of DataFrames\n        result: Dataframe\n            (column) channel_name : channel names\n            (column) total_conversions : conversions attributed to each channel\n            (column) total_conversion_value : revenues attributed to each channel\n        transition_matrix : DataFrame\n            (column) channel_from: channel from\n            (column) channel_to : channel to\n            (column) transition_probability : transition probability from channel_from to channel_to\n        removal_effects:\n            (column) channel_name : channel names \n            (column) removal_effects_conversion : removal effects for each channel calculated using total conversions\n            (column) removal_effects_conversion_value : removal effects for each channel calculated using revenues\n                \n                        \n    Examples\n    --------\n    \n    Load Data\n    \n    >>> import pandas as pd    \n    >>> from ChannelAttribution import *\n    >>> Data = pd.read_csv('https://channelattribution.io/csv/Data.csv',sep=\";\")\n    \n    Estimate a Makov model using total conversions \n    \n    >>> markov_model(Data, \"path\", \"total_conversions\")\n\n    Estimate a Makov model using total conversions and revenues \n    \n    >>> markov_model(Data, \"path\", \"total_conversions\", var_value=\"total_conversion_value\")\n    \n    Estimate a Makov model using total conversions, revenues and paths that do not lead to conversions \n\n    >>> markov_model(Data, \"path\", \"total_conversions\", var_value=\"total_conversion_value\", var_null=\"total_null\")\n    \n    Estimate a Makov model returning tr""ansition matrix and removal effects \n    \n    >>> markov_model(Data, \"path\", \"total_conversions\", var_value=\"total_conversion_value\", var_null=\"total_null\", out_more=True)\n\n    Estimate a Markov model using 4 threads\n    \n    >>> markov_model(Data, \"path\", \"total_conversions\", var_value=\"total_conversion_value\", ncore=4)\n        \n    \n\n    Estimate a k-order transition matrix from customer journey data.\n    \n    Parameters\n    ----------\n    Data : DataFrame\n        customer journeys.\n    var_path: string\n        column of Data containing paths.\n    var_conv : string\n        column of Data containing total conversions for each path.\n    var_null : string\n        column of Data containing total paths that do not lead to conversion.\n    order : int, default 1\n        Markov model order.        \n    sep : string, default \">\"\n        separator between the channels.    \n    flg_equal: bool, default True\n        if True, transitions from a channel to itself will be considered.    \n    flg_pro : bool, default True\n        if True, ChannelAttribution Pro banner is printed.\n                    \n    Returns\n    -------\n    list of DataFrames\n        channels: Dataframe\n            (column) id_channel : channel ids\n            (column) channel_name : channel names\n        transition_matrix : DataFrame\n            (column) channel_from: id channel from\n            (column) channel_to : id channel to\n            (column) transition_probability : transition probability from channel_from to channel_to\n                    \n    Examples\n    --------\n    \n    Load Data\n    \n    >>> import pandas as pd    \n    >>> from ChannelAttribution import *\n    >>> Data = pd.read_csv('https://channelattribution.io/csv/Data.csv',sep=\";\")\n\n    Estimate a second-order transition matrix using total conversions and paths that do not lead to conversion \n    \n    >>> transition_matrix(Data, \"path\", \"total_conversions\", var_null=""\"total_null\", order=2)\n                    \n    \n            \n    Estimate three heuristic models (first-touch, last-touch and linear) from customer journey data.\n    \n    Parameters\n    ----------\n    Data : DataFrame\n        customer journeys.\n    var_path: string\n        column of Data containing paths.\n    var_conv : string\n        column of Data containing total conversions for each path.\n    var_value : string, optional, default None\n        column of Data containing revenue for each path.\n    sep : string, default \">\"\n        separator between the channels.\n    flg_pro : bool, default True\n        if True, ChannelAttribution Pro banner is printed.\n    \n    Returns\n    -------\n    DataFrame        \n        (column) channel_name : channel names\n        (column) first_touch_conversions : conversions attributed to each channel using first touch attribution.\n        (column) first_touch_value : revenues attributed to each channel using first touch attribution.\n        (column) last_touch_conversions : conversions attributed to each channel using last touch attribution.\n        (column) last_touch_value : revenues attributed to each channel using last touch attribution.\n        (column) linear_touch_conversions : conversions attributed to each channel using linear attribution.\n        (column) linear_touch_value : revenues attributed to each channel using linear attribution.\n    \n    Examples\n    --------\n    \n    Load Data\n\n    >>> import pandas as pd    \n    >>> from ChannelAttribution import *\n    >>> Data = pd.read_csv('https://channelattribution.io/csv/Data.csv',sep=\";\")\n        \n    Estimate heuristic models on total conversions\n    \n    >>> heuristic_models(Data,\"path\",\"total_conversions\")\n    \n    Estimate heuristic models on total conversions and total revenues\n    \n    >>> heuristic_models(Data,\"path\",\"total_conversions\",\\\n    >>> var_value=\"total_conversion_value\")\n     \n    \n    \n    F""ind the minimum Markov Model order that gives a good representation of customers\342\200\231 behaviour for data considered. It requires paths that do not lead to conversion as input. Minimum order is found maximizing a penalized area under ROC curve.\n    \n    Parameters\n    ----------\n    Data : DataFrame\n        customer journeys.\n    var_path: string\n        column of Data containing paths.\n    var_conv : string\n        column of Data containing total conversions for each path.\n    var_null : string\n        column of Data containing total paths that do not lead to conversion.\n    max_order : int, default 10\n        maximum Markov Model order to be considered.        \n    sep : string, default \">\"\n        separator between the channels.    \n    ncore : int, default 1\n        number of threads to be used in computation.        \n    roc_npt: int, default 100\n        number of points to be used for the approximation of roc curve.    \n    plot: bool, default True\n        if True, a plot with penalized auc with respect to order will be displayed.\n    flg_pro : bool, default True\n        if True, ChannelAttribution Pro banner is printed.\n    \n    Returns\n    -------\n    list        \n        roc : list DataFrame one for each order considered\n            (column) tpr: true positive rate\n            (column) fpr: false positive rate\n        auc : DataFrame with the following columns\n            (column) order: markov model order  \n            (column) auc: area under the curve\n            (column) pauc: penalized auc\n        suggested order : int\n            estimated best order \n            \n    Examples\n    --------\n    Estimate best makov model order for your data\n    \n    Load Data\n        \n    >>> import pandas as pd    \n    >>> from ChannelAttribution import *\n    >>> Data = pd.read_csv('https://channelattribution.io/csv/Data.csv',sep=\";\")\n    \n    >>> choose_order(Data, var_path=\"path\", var_conv=\"total_conversion""s\", var_null=\"total_null\")\n\n\n    *** Install ChannelAttribution Pro for free running install_pro(). Visit https://channelattribution.io for more info. Set flg_pro=False to hide this message.*** Looking to run more advanced attribution? Install ChannelAttribution Pro for free running install_pro(). Visit https://channelattribution.io for more info.PENALIZED AUC\n    \n    Parameters\n    ----------\n    Data : DataFrame\n        customer journeys.\n    var_path: string\n        column of Data containing paths.\n    var_conv : string\n        column of Data containing total conversions for each path.\n    var_null : string\n        column of Data containing total paths that do not lead to conversion.\n    var_value : string, optional, default None\n        column of Data containing revenue for each path\n    max_order : int, default 10\n        maximum Markov Model order to be considered.        \n    roc_npt: int, default 100\n        number of points to be used for the approximation of roc curve.    \n    plot: bool, default True\n        if True, a plot with penalized auc with respect to order will be displayed.\n    nsim_start : int, default 1e5\n        minimum number of simulations to be used in computation.        \n    max_step : int, default None\n        maximum number of steps for a single simulated path. if NULL, it is the maximum number of steps found into Data.        \n    out_more : bool, default False\n        if True, transition probabilities between channels and removal effects will be returned.                \n    sep : string, default \">\"\n        separator between the channels.    \n    ncore : int, default 1\n        number of threads to be used in computation.        \n    nfold : int, default 10\n        how many repetitions to be used to verify if convergence has been reached at each iteration.    \n    seed : int, default 0\n        random seed. Giving this parameter the same value over different runs guarantees that results will no""t vary.    \n    conv_par : double, default 0.05\n        convergence parameter for the algorithm. The estimation process ends when the percentage of variation of the results over different repetions is less than convergence parameter.    \n    rate_step_sim : double, default 0\n        number of simulations used at each iteration is equal to the number of simulations used at previous iteration multiplied by rate_step_sim.    \n    verbose : bool, default True\n        if True, additional information about process convergence will be shown.    \n    flg_pro : bool, default True\n        if True, ChannelAttribution Pro banner is printed.\n            \n    Returns\n    -------\n    list of DataFrames\n        result: Dataframe\n            (column) channel_name : channel names\n            (column) total_conversions : conversions attributed to each channel\n            (column) total_conversion_value : revenues attributed to each channel\n        transition_matrix : DataFrame\n            (column) channel_from: channel from\n            (column) channel_to : channel to\n            (column) transition_probability : transition probability from channel_from to channel_to\n        removal_effects:\n            (column) channel_name : channel names \n            (column) removal_effects_conversion : removal effects for each channel calculated using total conversions\n            (column) removal_effects_conversion_value : removal effects for each channel calculated using revenues\n                \n                        \n    Examples\n    --------\n    \n    Load Data\n    \n    >>> import pandas as pd    \n    >>> from ChannelAttribution import *\n    >>> Data = pd.read_csv('https://channelattribution.io/csv/Data.csv',sep=\";\")\n    \n    Estimate an automatic Makov model \n    \n    >>> auto_markov_model(Data, \"path\", \"total_conversions\", \"total_null\")\n        \n    Suggested order: Suggested order not found. Try increasing max_order.Version: .?auto_markov_m""odel (line 614)choose_order (line 170)conv_par must be into [0,1]flg_equal must be False or Trueheuristic_models (line 73)markov_model (line 307)max_order must be >= 1max_step must be >= 1ncore must be >= 1nfold must be >= 1nsim must be >= 1order=order must be >= 1out_more must be False or Truepenalized aucplot must be False or Truerate_step_sim must be > 0roc_npt must be >= 10seed must be >= 0sep must have length 1src/cypack/ChannelAttribution.pyxtransition_matrix (line 517)utf-8var_conv must be a column of Datavar_conv must be a stringvar_null must be a column of Datavar_null must be a stringvar_path must be a column of Datavar_path must be a stringvar_value must be a column of Dataverbose must be False or TrueChannelAttribution._coreDataDataFrame__Pyx_PyDict_NextRefSeriesTrueasyncio.coroutinesaucauto_markov_modelbest_orderchannel_fromchannel_namechannel_tochannelschoose_order__choose_order_1__class_getitem__cline_in_tracebackcolumnsconv_pardecodedtypeencodefirst_touchfirst_touch_conversionsfirst_touch_valueflg_equalflg_profloat64fpr__func__heuristic_models__heuristic_models_1id_channelilocimportlibindex_is_coroutineitemsklast_touchlast_touch_conversionslast_touch_valuelinear_touchlinear_touch_conversionslinear_touch_value__main__markov_model__markov_model_1matplotlib.pyplotmaxmax_ordermax_order_0max_step__message_pro__module____name__ncorenfoldnpnsim_startnumpyorderosout_morepandaspaucpdplotpltpopprintpyplot__qualname__rate_step_simreremoval_effectremoval_effectsremoval_effects_conversionremoval_effects_conversion_valueresres0res_aucres_rocresultroc_nptseedsep__set_name__setdefaultstrsumsys__test__titletotal_conversion_valuetotal_conversionstprtransition_matrix__transition_matrix_1transition_probabilityvaluesvar_convvar_nullvar_pathvar_valuevcverbose__versionvnvvvyxlabelylabel\200\001\330\004\013\320\013\033\2301\230C\230s\240#\240S\250\006\250k\270\031\300)\3104\310v\320U[\320[`\320`i\320iw\320wx\200\001\330\004\013\320\013\033\2301\230C\230s\240#\240Z\250t\2606""\270\021\320\0001\260\035\270h\300h\310l\320Ze\320ef\360r\001\000\005\t\210\014\220G\2303\230a\230t\2401\240A\330\010\016\210i\220q\230\001\340\004\007\200t\2101\210I\220R\220q\330\010\013\2109\220G\2304\230q\330\014\022\220)\2301\230A\340\010\016\210i\220q\230\001\340\004\010\210\004\210A\210Y\220b\230\001\330\010\014\210I\220W\230D\240\001\330\014\022\220)\2301\230A\360\006\000\t\017\210i\220q\230\001\360\006\000\005\t\210\010\220\002\220!\330\010\014\210I\220W\230D\240\001\330\014\022\220)\2301\230A\340\004\010\210\n\220\"\220A\330\010\016\210i\220q\230\001\340\004\010\210\005\210R\210q\330\010\014\210F\220\"\220A\330\014\022\220)\2301\230A\340\004\010\210\007\210r\220\021\330\010\014\210H\220B\220a\330\014\022\220)\2301\230A\360\006\000\005\t\210\005\210X\220S\230\001\330\010\016\210i\220q\230\001\340\004\t\320\t\031\230\021\230#\230T\240\021\240)\2504\250w\260a\260y\300\003\3004\300q\310\n\320RU\320UY\320YZ\320Ze\320eo\320oz\320z~\360\000\000\177\001B\002\360\000\000B\002I\002\360\000\000I\002J\002\360\000\000J\002T\002\360\000\000T\002Z\002\360\000\000Z\002a\002\360\000\000a\002i\002\360\000\000i\002j\002\340\004\n\210\"\210G\2201\220D\230\002\230!\330\004\010\210\002\210'\220\021\220$\220b\230\001\330\004\t\210\022\2107\220!\2204\220r\230\021\340\004\020\220\005\220Q\220e\2302\230R\230u\240B\240a\340\004\017\210t\2202\220R\220v\230Q\230c\240\021\240$\240b\250\001\340\004\017\210z\230\021\230!\340\004\007\200z\220\022\2201\330\010\r\210Q\210a\340\010\r\210Q\320\016\"\240\"\240C\240q\250\003\2501\250A\340\004\010\210\003\2101\210E\220\022\2201\330\004\t\210\024\210Q\210e\2202\220Q\330\004\n\210%\210q\220\005\220R\220q\340\004\007\200t\2102\210Q\330\010\013\2106\220\021\220!\330\010\013\2107\220!\2201\330\010\013\2107\220!\2201\330\010\013\2105\220\001\220\027\230\001\340\004\010\210\003\2101\210E\220\023\220J\230a\230q\330\004\t\210\024\210Q\210e\2203\220j\240\001\240\021\330\004\n\210%\210q\220\005\220S\230\n\240!\2401\340\004\014\210B\210j\230\002\230(\240&""\250\006\250d\260'\270\021\340\004\020\220\001\330\004\010\210\005\210U\220!\220:\230Q\230a\330\010\017\210q\220\010\230\001\230\023\230A\230Q\230a\230t\2402\240Z\250r\260\026\260t\2701\270A\270Q\270c\300\026\300t\3101\310A\310Q\310a\310q\320PQ\340\004\007\200w\210b\220\001\330\010\r\210Q\210a\340\004\013\2108\2208\2301\320\0006\260h\270h\320FV\320VW\360f\001\000\005\t\210\014\220G\2303\230a\230t\2401\240A\330\010\016\210i\220q\230\001\340\004\007\200t\2101\210I\220R\220q\330\010\013\2109\220G\2304\230q\330\014\022\220)\2301\230A\340\010\016\210i\220q\230\001\340\004\010\210\004\210A\210Y\220b\230\001\330\010\014\210I\220W\230D\240\001\330\014\022\220)\2301\230A\340\010\016\210i\220q\230\001\340\004\010\210\004\210A\210Y\220b\230\001\330\010\014\210I\220W\230D\240\001\330\014\022\220)\2301\230A\340\010\016\210i\220q\230\001\360\006\000\005\t\210\006\210b\220\001\330\010\016\210i\220q\230\001\360\006\000\005\t\210\003\2101\210E\220\022\2201\330\010\016\210i\220q\230\001\360\006\000\005\t\210\n\220(\230#\230Q\330\010\016\210i\220q\230\001\340\004\t\320\t\036\230a\230s\240$\240a\240y\260\004\260G\2701\270I\300S\310\004\310A\310Z\320WZ\320Z^\320^_\320_i\320io\320ou\320uy\320y|\360\000\000}\001D\002\360\000\000D\002E\002\360\000\000E\002O\002\360\000\000O\002Y\002\360\000\000Y\002\\\002\360\000\000\\\002]\002\360\000\000]\002^\002\340\004\014\210A\330\004\007\200q\210\014\220B\220j\240\002\240-\250u\260A\260R\260s\270!\2704\270q\300\002\300!\3003\300a\300t\310?\320Z\\\320\\c\320cd\320dh\320hi\320ik\320kl\320lo\320os\320sz\320z{\320{|\330\004\007\200q\320\010\035\230R\230z\250\022\250?\270\"\270G\3001\300D\310\001\310\022\3101\310C\310t\320SZ\320Z[\320[d\320dq\320qs\320sz\320z{\320{\177\360\000\000@\002A\002\360\000\000A\002C\002\360\000\000C\002D\002\360\000\000D\002G\002\360\000\000G\002K\002\360\000\000K\002R\002\360\000\000R\002S\002\360\000\000S\002\\\002\360\000\000\\\002u\002\360\000\000u\002y\002\360\000\000y\002z\002\360\000\000z\002{\002\340\004\007\200w\210b""\220\001\330\010\r\210Q\210a\340\004\013\2101\200\001\330\004\013\320\013 \240\001\240\023\240C\240s\250&\260\004\260A\320\000,\320,<\270I\300Q\360h\001\000\005\t\210\014\220G\2303\230a\230t\2401\240A\330\010\016\210i\220q\230\001\340\004\007\200t\2101\210I\220R\220q\330\010\013\2109\220G\2304\230q\330\014\022\220)\2301\230A\340\010\016\210i\220q\230\001\340\004\010\210\004\210A\210Y\220b\230\001\330\010\014\210I\220W\230D\240\001\330\014\022\220)\2301\230A\360\006\000\t\017\210i\220q\230\001\340\004\010\210\t\220\022\2201\330\010\014\210J\220g\230T\240\021\330\014\022\220)\2301\230A\340\004\010\210\003\2101\210E\220\022\2201\330\010\016\210i\220q\230\001\340\004\010\210\t\220\022\2201\330\010\r\210R\210w\220a\220u\230F\240!\340\010\013\2104\210q\220\001\360\006\000\005\n\320\t\035\230Q\230d\240!\2409\250D\260\007\260q\270\t\300\024\300Q\300j\320PS\320SV\320V]\320]^\320^_\340\004\007\200s\210!\2103\210b\220\001\340\010\014\210B\210j\230\002\230/\250\022\2507\260!\2604\260q\270\003\2704\270w\300a\300y\320P^\320^b\320bc\320ce\320ef\320fi\320iv\320vz\320z{\320{}\320}~\360\000\000\177\001B\002\360\000\000B\002Q\002\360\000\000Q\002U\002\360\000\000U\002V\002\360\000\000V\002X\002\360\000\000X\002Y\002\360\000\000Y\002Z\002\360\010\000\t\r\210B\210j\230\002\230/\250\022\2507\260!\2604\260q\270\003\2704\270w\300a\300y\320Pj\320jn\320no\320oq\320qr\320rv\360\000\000w\001K\002\360\000\000K\002O\002\360\000\000O\002P\002\360\000\000P\002R\002\360\000\000R\002S\002\360\000\000S\002W\002\360\000\000W\002p\002\360\000\000p\002t\002\360\000\000t\002u\002\360\000\000u\002w\002\360\000\000w\002x\002\360\000\000x\002|\002\360\000\000|\002O\003\360\000\000O\003S\003\360\000\000S\003T\003\360\000\000T\003V\003\360\000\000V\003W\003\360\000\000W\003[\003\360\000\000[\003v\003\360\000\000v\003z\003\360\000\000z\003{\003\360\000\000{\003}\003\360\000\000}\003~\003\360\000\000~\003B\004\360\000\000B\004W\004\360\000\000W\004[\004\360\000\000[\004\\\004\360\000\000\\\004^\004\360\000\000^""\004_\004\360\000\000_\004`\004\340\004\007\200w\210b\220\001\330\010\r\210Q\210a\340\004\013\2101\320\000:\320:J\310.\320Xe\320eq\360\000\000r\001B\002\360\000\000B\002Q\002\360\000\000Q\002a\002\360\000\000a\002j\002\360\000\000j\002s\002\360\000\000s\002}\002\360\000\000}\002E\003\360\000\000E\003T\003\360\000\000T\003g\003\360\000\000g\003u\003\360\000\000u\003v\003\360Z\002\000\005\t\210\014\220G\2303\230a\230t\2401\240A\330\010\016\210i\220q\230\001\340\004\007\200t\2101\210I\220R\220q\330\010\013\2109\220G\2304\230q\330\014\022\220)\2301\230A\340\010\016\210i\220q\230\001\340\004\010\210\004\210A\210Y\220b\230\001\330\010\014\210I\220W\230D\240\001\330\014\022\220)\2301\230A\360\006\000\t\017\210i\220q\230\001\360\006\000\005\t\210\004\210A\210Y\220b\230\001\330\010\014\210I\220W\230D\240\001\330\014\022\220)\2301\230A\360\006\000\t\017\210i\220q\230\001\360\006\000\005\t\210\t\220\022\2201\330\010\014\210J\220g\230T\240\021\330\014\022\220)\2301\230A\340\004\010\210\n\220\"\220A\330\010\016\210i\220q\230\001\340\004\010\210\010\220\002\220!\330\010\016\210i\220q\230\001\340\004\010\210\005\210X\220S\230\001\330\010\016\210i\220q\230\001\340\004\010\210\n\220\"\220A\330\010\014\210K\220r\230\021\330\014\022\220)\2301\230A\340\004\010\210\010\220\002\220!\330\010\014\210I\220R\220q\330\014\022\220)\2301\230A\360\006\000\005\t\210\t\220\030\230\023\230A\330\010\016\210i\220q\230\001\360\006\000\005\t\210\003\2101\210E\220\022\2201\330\010\016\210i\220q\230\001\360\006\000\005\t\210\006\210b\220\001\330\010\016\210i\220q\230\001\340\004\010\210\006\210b\220\001\330\010\016\210i\220q\230\001\340\004\010\210\004\210B\210a\330\010\014\210E\220\022\2201\330\014\022\220)\2301\230A\340\004\t\210\031\220\"\220C\220s\230)\2402\240Q\330\010\016\210i\220q\230\001\360\006\000\005\t\210\016\220b\230\001\330\010\016\210i\220q\230\001\340\004\010\210\010\220\010\230\003\2301\330\010\016\210i\220q\230\001\340\004\010\210\t\220\022\2201\330\010\r\210R\210w\220a\220u\230F\240!""\340\010\013\2104\210q\220\001\340\004\005\200X\210X\220^\240<\250q\260\006\260j\300\n\310*\320T`\320`k\320kq\320qv\320v~\360\000\000\177\001F\002\360\000\000F\002P\002\360\000\000P\002Y\002\360\000\000Y\002`\002\360\000\000`\002f\002\360\000\000f\002n\002\360\000\000n\002o\002\340\004\n\210,\220a\220v\230Z\240z\260\034\270[\310\013\320S]\320]e\320eq\320q~\360\000\000\177\001K\002\360\000\000K\002V\002\360\000\000V\002`\002\360\000\000`\002k\002\360\000\000k\002u\002\360\000\000u\002{\002\360\000\000{\002@\003\360\000\000@\003H\003\360\000\000H\003O\003\360\000\000O\003W\003\360\000\000W\003^\003\360\000\000^\003e\003\360\000\000e\003k\003\360\000\000k\003v\003\360\000\000v\003@\004\360\000\000@\004P\004\360\000\000P\004_\004\360\000\000_\004i\004\360\000\000i\004r\004\360\000\000r\004z\004\360\000\000z\004{\004\340\004\007\200w\210b\220\001\330\010\r\210Q\210a\340\004\013\2101\320\000(\250\017\260~\300X\310_\320\\j\320jy\360\000\000z\001B\002\360\000\000B\002K\002\360\000\000K\002U\002\360\000\000U\002]\002\360\000\000]\002k\002\360\000\000k\002}\002\360\000\000}\002K\003\360\000\000K\003L\003\360v\002\000\005\t\210\014\220G\2303\230a\230t\2401\240A\330\010\016\210i\220q\230\001\340\004\007\200t\2101\210I\220R\220q\330\010\013\2109\220G\2304\230q\330\014\022\220)\2301\230A\340\010\016\210i\220q\230\001\340\004\010\210\004\210A\210Y\220b\230\001\330\010\014\210I\220W\230D\240\001\330\014\022\220)\2301\230A\360\006\000\t\017\210i\220q\230\001\340\004\010\210\t\220\022\2201\330\010\014\210J\220g\230T\240\021\330\014\022\220)\2301\230A\340\004\010\210\010\220\002\220!\330\010\014\210I\220W\230D\240\001\330\014\022\220)\2301\230A\340\004\010\210\006\210b\220\001\330\010\016\210i\220q\230\001\340\004\010\210\n\220\"\220A\330\010\014\210K\220r\230\021\330\014\022\220)\2301\230A\340\004\010\210\010\220\002\220!\330\010\014\210I\220R\220q\330\014\022\220)\2301\230A\360\006\000\005\t\210\t\220\030\230\023\230A\330\010\016\210i\220q\230\001\360\006\000\005\t\210\003\2101\210E""\220\022\2201\330\010\016\210i\220q\230\001\360\006\000\005\t\210\006\210b\220\001\330\010\016\210i\220q\230\001\340\004\010\210\006\210b\220\001\330\010\016\210i\220q\230\001\340\004\010\210\004\210B\210a\330\010\014\210E\220\022\2201\330\014\022\220)\2301\230A\340\004\t\210\031\220\"\220C\220s\230)\2402\240Q\330\010\016\210i\220q\230\001\360\006\000\005\t\210\016\220b\230\001\330\010\016\210i\220q\230\001\340\004\010\210\010\220\010\230\003\2301\330\010\016\210i\220q\230\001\360\006\000\005\010\200s\210!\2104\210q\220\t\230\021\230\"\230B\230a\330\010\016\210i\220q\230\001\340\004\010\210\010\220\002\220!\330\010\r\210T\220\021\220$\220a\220y\240\001\240\021\340\004\010\210\t\220\022\2201\330\010\r\210R\210w\220a\220u\230F\240!\340\010\013\2104\210q\220\001\360\006\000\005\t\210\010\220\002\220!\330\010\r\210R\210w\220a\220u\230F\240!\340\010\013\2104\210q\220\001\340\004\010\210\010\220\002\220!\330\010\023\2201\340\004\t\320\t\031\230\021\230#\230T\240\021\240)\2504\250w\260a\260y\300\003\3004\300q\310\n\320RU\320UX\320X[\320[^\320^d\320dj\320ju\360\000\000v\001A\002\360\000\000A\002J\002\360\000\000J\002S\002\360\000\000S\002\\\002\360\000\000\\\002e\002\360\000\000e\002i\002\360\000\000i\002l\002\360\000\000l\002s\002\360\000\000s\002t\002\360\000\000t\002}\002\360\000\000}\002C\003\360\000\000C\003J\003\360\000\000J\003P\003\360\000\000P\003W\003\360\000\000W\003\\\003\360\000\000\\\003b\003\360\000\000b\003k\003\360\000\000k\003u\003\360\000\000u\003C\004\360\000\000C\004R\004\360\000\000R\004Z\004\360\000\000Z\004]\004\360\000\000]\004^\004\360\000\000^\004_\004\340\004\010\210\010\220\002\220#\220U\230#\230Q\230c\240\022\2401\340\010\014\210B\210j\230\002\230/\250\022\2507\260!\2604\260q\270\002\270!\2703\270d\300'\310\021\310)\320Sg\320gk\320kl\320ln\320no\320op\340\n\022\220\"\220C\220u\230C\230q\240\003\2401\240A\340\010\014\210B\210j\230\002\230/\250\022\2507\260!\2604\260q\270\002\270!\2703\270d\300'\310\021\310)\320Sg\320gk\320kl\320ln\320no\320or""\360\000\000s\001L\002\360\000\000L\002P\002\360\000\000P\002Q\002\360\000\000Q\002S\002\360\000\000S\002T\002\360\000\000T\002U\002\340\n\022\220\"\220C\220u\230C\230q\240\003\2402\240Q\340\010\020\220\001\340\010\013\2101\210J\220b\230\n\240\"\240O\2602\260W\270A\270T\300\021\300\"\300A\300S\310\004\310G\320ST\320T]\320]q\320qu\320uv\320vx\320xy\320yz\330\010\013\2101\320\014!\240\022\240:\250R\250\177\270b\300\007\300q\310\004\310A\310R\310q\320PS\320SW\320W^\320^_\320_h\320hu\320uw\320w~\320~\177\360\000\000@\002D\002\360\000\000D\002E\002\360\000\000E\002G\002\360\000\000G\002H\002\360\000\000H\002K\002\360\000\000K\002O\002\360\000\000O\002V\002\360\000\000V\002W\002\360\000\000W\002`\002\360\000\000`\002y\002\360\000\000y\002}\002\360\000\000}\002~\002\360\000\000~\002@\003\360\000\000@\003A\003\360\000\000A\003B\003\340\010\013\2101\320\014\037\230r\240\032\2502\250_\270B\270g\300Q\300d\310!\3102\310Q\310c\320QU\320U\\\320\\]\320]f\320fw\320w{\320{|\320|~\320~\177\360\000\000@\002A\002\360\010\000\t\021\220\001\340\010\013\2101\210J\220b\230\n\240\"\240O\2602\260W\270A\270T\300\021\300\"\300A\300S\310\004\310G\320ST\320T]\320]q\320qu\320uv\320vx\320xy\320y|\360\000\000}\001V\002\360\000\000V\002Z\002\360\000\000Z\002[\002\360\000\000[\002]\002\360\000\000]\002^\002\360\000\000^\002_\002\330\010\013\2101\320\014!\240\022\240:\250R\250\177\270b\300\007\300q\310\004\310A\310R\310q\320PS\320SW\320W^\320^_\320_h\320hu\320uw\320w~\320~\177\360\000\000@\002D\002\360\000\000D\002E\002\360\000\000E\002G\002\360\000\000G\002H\002\360\000\000H\002K\002\360\000\000K\002O\002\360\000\000O\002V\002\360\000\000V\002W\002\360\000\000W\002`\002\360\000\000`\002y\002\360\000\000y\002}\002\360\000\000}\002~\002\360\000\000~\002@\003\360\000\000@\003A\003\360\000\000A\003B\003\340\010\013\2101\320\014\037\230r\240\032\2502\250_\270B\270g\300Q\300d\310!\3102\310Q\310c\320QU\320U\\\320\\]\320]f\360\000\000g\001D\002\360\000\000D\002H\002\360\000\000H\002I\002\360\000\000I\002K""\002\360\000\000K\002L\002\360\000\000L\002O\002\360\000\000O\002r\002\360\000\000r\002v\002\360\000\000v\002w\002\360\000\000w\002y\002\360\000\000y\002z\002\360\000\000z\002{\002\340\004\007\200w\210b\220\001\330\010\r\210Q\210a\340\004\013\2101\200\001\330\004\013\320\013\037\230q\240\003\2403\240c\250\021";
+const char* const bytes = ">2.2.4Data must be a DataFrameData must have at least one converting path.\n    \n    Estimate a k-order Markov model from customer journey data. Differently from markov_model, this function iterates estimation until a desidered convergence is reached and enables multiprocessing.\n    \n    Parameters\n    ----------\n    Data : DataFrame\n        customer journeys.\n    var_path: string\n        column of Data containing paths.\n    var_conv : string\n        column of Data containing total conversions for each path.\n    var_value : string, optional, default None\n        column of Data containing revenue for each path.\n    var_null : string\n        column of Data containing total paths that do not lead to conversion.\n    order : int, default 1\n        Markov model order.        \n    nsim_start : int, default 1e5\n        minimum number of simulations to be used in computation.        \n    max_step : int, default None\n        maximum number of steps for a single simulated path. if NULL, it is the maximum number of steps found into Data.        \n    out_more : bool, default False\n        if True, transition probabilities between channels and removal effects will be returned.                \n    sep : string, default \">\"\n        separator between the channels.    \n    ncore : int, default 1\n        number of threads to be used in computation.        \n    nfold : int, default 10\n        how many repetitions to be used to verify if convergence has been reached at each iteration.    \n    seed : int, default 0\n        random seed. Giving this parameter the same value over different runs guarantees that results will not vary.    \n    conv_par : double, default 0.05\n        convergence parameter for the algorithm. The estimation process ends when the percentage of variation of the results over different repetions is less than convergence parameter.    \n    rate_step_sim : double, default 0\n        number of simulations used at each iteration is equa""l to the number of simulations used at previous iteration multiplied by rate_step_sim.    \n    verbose : bool, default True\n        if True, additional information about process convergence will be shown.    \n    flg_pro : bool, default True\n        if True, ChannelAttribution Pro banner is printed.\n            \n    Returns\n    -------\n    list of DataFrames\n        result: Dataframe\n            (column) channel_name : channel names\n            (column) total_conversions : conversions attributed to each channel\n            (column) total_conversion_value : revenues attributed to each channel\n        transition_matrix : DataFrame\n            (column) channel_from: channel from\n            (column) channel_to : channel to\n            (column) transition_probability : transition probability from channel_from to channel_to\n        removal_effects:\n            (column) channel_name : channel names \n            (column) removal_effects_conversion : removal effects for each channel calculated using total conversions\n            (column) removal_effects_conversion_value : removal effects for each channel calculated using revenues\n                \n                        \n    Examples\n    --------\n    \n    Load Data\n    \n    >>> import pandas as pd    \n    >>> from ChannelAttribution import *\n    >>> Data = pd.read_csv('https://channelattribution.io/csv/Data.csv',sep=\";\")\n    \n    Estimate a Makov model using total conversions \n    \n    >>> markov_model(Data, \"path\", \"total_conversions\")\n\n    Estimate a Makov model using total conversions and revenues \n    \n    >>> markov_model(Data, \"path\", \"total_conversions\", var_value=\"total_conversion_value\")\n    \n    Estimate a Makov model using total conversions, revenues and paths that do not lead to conversions \n\n    >>> markov_model(Data, \"path\", \"total_conversions\", var_value=\"total_conversion_value\", var_null=\"total_null\")\n    \n    Estimate a Makov model returning tr""ansition matrix and removal effects \n    \n    >>> markov_model(Data, \"path\", \"total_conversions\", var_value=\"total_conversion_value\", var_null=\"total_null\", out_more=True)\n\n    Estimate a Markov model using 4 threads\n    \n    >>> markov_model(Data, \"path\", \"total_conversions\", var_value=\"total_conversion_value\", ncore=4)\n        \n    \n\n    Estimate a k-order transition matrix from customer journey data.\n    \n    Parameters\n    ----------\n    Data : DataFrame\n        customer journeys.\n    var_path: string\n        column of Data containing paths.\n    var_conv : string\n        column of Data containing total conversions for each path.\n    var_null : string\n        column of Data containing total paths that do not lead to conversion.\n    order : int, default 1\n        Markov model order.        \n    sep : string, default \">\"\n        separator between the channels.    \n    flg_equal: bool, default True\n        if True, transitions from a channel to itself will be considered.    \n    flg_pro : bool, default True\n        if True, ChannelAttribution Pro banner is printed.\n                    \n    Returns\n    -------\n    list of DataFrames\n        channels: Dataframe\n            (column) id_channel : channel ids\n            (column) channel_name : channel names\n        transition_matrix : DataFrame\n            (column) channel_from: id channel from\n            (column) channel_to : id channel to\n            (column) transition_probability : transition probability from channel_from to channel_to\n                    \n    Examples\n    --------\n    \n    Load Data\n    \n    >>> import pandas as pd    \n    >>> from ChannelAttribution import *\n    >>> Data = pd.read_csv('https://channelattribution.io/csv/Data.csv',sep=\";\")\n\n    Estimate a second-order transition matrix using total conversions and paths that do not lead to conversion \n    \n    >>> transition_matrix(Data, \"path\", \"total_conversions\", var_null=""\"total_null\", order=2)\n                    \n    \n            \n    Estimate three heuristic models (first-touch, last-touch and linear) from customer journey data.\n    \n    Parameters\n    ----------\n    Data : DataFrame\n        customer journeys.\n    var_path: string\n        column of Data containing paths.\n    var_conv : string\n        column of Data containing total conversions for each path.\n    var_value : string, optional, default None\n        column of Data containing revenue for each path.\n    sep : string, default \">\"\n        separator between the channels.\n    flg_pro : bool, default True\n        if True, ChannelAttribution Pro banner is printed.\n    \n    Returns\n    -------\n    DataFrame        \n        (column) channel_name : channel names\n        (column) first_touch_conversions : conversions attributed to each channel using first touch attribution.\n        (column) first_touch_value : revenues attributed to each channel using first touch attribution.\n        (column) last_touch_conversions : conversions attributed to each channel using last touch attribution.\n        (column) last_touch_value : revenues attributed to each channel using last touch attribution.\n        (column) linear_touch_conversions : conversions attributed to each channel using linear attribution.\n        (column) linear_touch_value : revenues attributed to each channel using linear attribution.\n    \n    Examples\n    --------\n    \n    Load Data\n\n    >>> import pandas as pd    \n    >>> from ChannelAttribution import *\n    >>> Data = pd.read_csv('https://channelattribution.io/csv/Data.csv',sep=\";\")\n        \n    Estimate heuristic models on total conversions\n    \n    >>> heuristic_models(Data,\"path\",\"total_conversions\")\n    \n    Estimate heuristic models on total conversions and total revenues\n    \n    >>> heuristic_models(Data,\"path\",\"total_conversions\",\\\n    >>> var_value=\"total_conversion_value\")\n     \n    \n    \n    F""ind the minimum Markov Model order that gives a good representation of customers\342\200\231 behaviour for data considered. It requires paths that do not lead to conversion as input. Minimum order is found maximizing a penalized area under ROC curve.\n    \n    Parameters\n    ----------\n    Data : DataFrame\n        customer journeys.\n    var_path: string\n        column of Data containing paths.\n    var_conv : string\n        column of Data containing total conversions for each path.\n    var_null : string\n        column of Data containing total paths that do not lead to conversion.\n    max_order : int, default 10\n        maximum Markov Model order to be considered.        \n    sep : string, default \">\"\n        separator between the channels.    \n    ncore : int, default 1\n        number of threads to be used in computation.        \n    roc_npt: int, default 100\n        number of points to be used for the approximation of roc curve.    \n    plot: bool, default True\n        if True, a plot with penalized auc with respect to order will be displayed.\n    flg_pro : bool, default True\n        if True, ChannelAttribution Pro banner is printed.\n    \n    Returns\n    -------\n    list        \n        roc : list DataFrame one for each order considered\n            (column) tpr: true positive rate\n            (column) fpr: false positive rate\n        auc : DataFrame with the following columns\n            (column) order: markov model order  \n            (column) auc: area under the curve\n            (column) pauc: penalized auc\n        suggested order : int\n            estimated best order \n            \n    Examples\n    --------\n    Estimate best makov model order for your data\n    \n    Load Data\n        \n    >>> import pandas as pd    \n    >>> from ChannelAttribution import *\n    >>> Data = pd.read_csv('https://channelattribution.io/csv/Data.csv',sep=\";\")\n    \n    >>> choose_order(Data, var_path=\"path\", var_conv=\"total_conversion""s\", var_null=\"total_null\")\n\n\n    *** Install ChannelAttribution Pro for free running install_pro(). Visit https://channelattribution.io for more info. Set flg_pro=False to hide this message.*** Looking to run more advanced attribution? Install ChannelAttribution Pro for free running install_pro(). Visit https://channelattribution.io for more info.PENALIZED AUC\n    \n    Parameters\n    ----------\n    Data : DataFrame\n        customer journeys.\n    var_path: string\n        column of Data containing paths.\n    var_conv : string\n        column of Data containing total conversions for each path.\n    var_null : string\n        column of Data containing total paths that do not lead to conversion.\n    var_value : string, optional, default None\n        column of Data containing revenue for each path\n    max_order : int, default 10\n        maximum Markov Model order to be considered.        \n    roc_npt: int, default 100\n        number of points to be used for the approximation of roc curve.    \n    plot: bool, default True\n        if True, a plot with penalized auc with respect to order will be displayed.\n    nsim_start : int, default 1e5\n        minimum number of simulations to be used in computation.        \n    max_step : int, default None\n        maximum number of steps for a single simulated path. if NULL, it is the maximum number of steps found into Data.        \n    out_more : bool, default False\n        if True, transition probabilities between channels and removal effects will be returned.                \n    sep : string, default \">\"\n        separator between the channels.    \n    ncore : int, default 1\n        number of threads to be used in computation.        \n    nfold : int, default 10\n        how many repetitions to be used to verify if convergence has been reached at each iteration.    \n    seed : int, default 0\n        random seed. Giving this parameter the same value over different runs guarantees that results will no""t vary.    \n    conv_par : double, default 0.05\n        convergence parameter for the algorithm. The estimation process ends when the percentage of variation of the results over different repetions is less than convergence parameter.    \n    rate_step_sim : double, default 0\n        number of simulations used at each iteration is equal to the number of simulations used at previous iteration multiplied by rate_step_sim.    \n    verbose : bool, default True\n        if True, additional information about process convergence will be shown.    \n    flg_pro : bool, default True\n        if True, ChannelAttribution Pro banner is printed.\n            \n    Returns\n    -------\n    list of DataFrames\n        result: Dataframe\n            (column) channel_name : channel names\n            (column) total_conversions : conversions attributed to each channel\n            (column) total_conversion_value : revenues attributed to each channel\n        transition_matrix : DataFrame\n            (column) channel_from: channel from\n            (column) channel_to : channel to\n            (column) transition_probability : transition probability from channel_from to channel_to\n        removal_effects:\n            (column) channel_name : channel names \n            (column) removal_effects_conversion : removal effects for each channel calculated using total conversions\n            (column) removal_effects_conversion_value : removal effects for each channel calculated using revenues\n                \n                        \n    Examples\n    --------\n    \n    Load Data\n    \n    >>> import pandas as pd    \n    >>> from ChannelAttribution import *\n    >>> Data = pd.read_csv('https://channelattribution.io/csv/Data.csv',sep=\";\")\n    \n    Estimate an automatic Makov model \n    \n    >>> auto_markov_model(Data, \"path\", \"total_conversions\", \"total_null\")\n        \n    Suggested order: Suggested order not found. Try increasing max_order.Version: .?auto_markov_m""odel (line 614)choose_order (line 170)conv_par must be into [0,1]flg_equal must be False or Trueheuristic_models (line 73)markov_model (line 307)max_order must be >= 1max_step must be >= 1ncore must be >= 1nfold must be >= 1nsim must be >= 1order=order must be >= 1out_more must be False or Truepenalized aucplot must be False or Truerate_step_sim must be > 0roc_npt must be >= 10seed must be >= 0sep must have length 1src/cypack/ChannelAttribution.pyxtransition_matrix (line 517)utf-8var_conv must be a column of Datavar_conv must be a stringvar_null must be a column of Datavar_null must be a stringvar_path must be a column of Datavar_path must be a stringvar_value must be a column of Dataverbose must be False or TrueChannelAttribution._coreDataDataFrame__Pyx_PyDict_NextRefSeriesTrueasyncio.coroutinesaucauto_markov_modelbest_orderchannel_fromchannel_namechannel_tochannelschoose_order__choose_order_1__class_getitem__cline_in_tracebackcolumnsconv_pardecodedtypeencodefirst_touchfirst_touch_conversionsfirst_touch_valueflg_equalflg_profloat64fpr__func__heuristic_models__heuristic_models_1id_channelilocimportlibindex_is_coroutineitemsklast_touchlast_touch_conversionslast_touch_valuelinear_touchlinear_touch_conversionslinear_touch_value__main__markov_model__markov_model_1matplotlib.pyplotmaxmax_ordermax_order_0max_step__message_pro__module____name__ncorenfoldnpnsim_startnumpyorderosout_morepandaspaucpdplotpltpopprintpyplot__qualname__rate_step_simreremoval_effectremoval_effectsremoval_effects_conversionremoval_effects_conversion_valueresres0res_aucres_rocresultroc_nptseedsep__set_name__setdefaultstrsumsys__test__titletotal_conversion_valuetotal_conversionstprtransition_matrix__transition_matrix_1transition_probabilityvaluesvar_convvar_nullvar_pathvar_valuevcverbose__versionvnvvvyxlabelylabel\200\001\330\004\013\320\013\033\2301\230C\230s\240#\240S\250\006\250k\270\031\300)\3104\310v\320U[\320[`\320`i\320iw\320wx\200\001\330\004\013\320\013\033\2301\230C\230s\240#\240Z\250t\2606""\270\021\320\0001\260\035\270h\300h\310l\320Ze\320ef\360r\001\000\005\t\210\014\220G\2303\230a\230t\2401\240A\330\010\016\210i\220q\230\001\340\004\007\200t\2101\210I\220R\220q\330\010\013\2109\220G\2304\230q\330\014\022\220)\2301\230A\340\010\016\210i\220q\230\001\340\004\010\210\004\210A\210Y\220b\230\001\330\010\014\210I\220W\230D\240\001\330\014\022\220)\2301\230A\360\006\000\t\017\210i\220q\230\001\360\006\000\005\t\210\010\220\002\220!\330\010\014\210I\220W\230D\240\001\330\014\022\220)\2301\230A\340\004\010\210\n\220\"\220A\330\010\016\210i\220q\230\001\340\004\010\210\005\210R\210q\330\010\014\210F\220\"\220A\330\014\022\220)\2301\230A\340\004\010\210\007\210r\220\021\330\010\014\210H\220B\220a\330\014\022\220)\2301\230A\360\006\000\005\t\210\005\210X\220S\230\001\330\010\016\210i\220q\230\001\340\004\t\320\t\031\230\021\230#\230T\240\021\240)\2504\250w\260a\260y\300\003\3004\300q\310\n\320RU\320UY\320YZ\320Ze\320eo\320oz\320z~\360\000\000\177\001B\002\360\000\000B\002I\002\360\000\000I\002J\002\360\000\000J\002T\002\360\000\000T\002Z\002\360\000\000Z\002a\002\360\000\000a\002i\002\360\000\000i\002j\002\340\004\n\210\"\210G\2201\220D\230\002\230!\330\004\010\210\002\210'\220\021\220$\220b\230\001\330\004\t\210\022\2107\220!\2204\220r\230\021\340\004\020\220\005\220Q\220e\2302\230R\230u\240B\240a\340\004\017\210t\2202\220R\220v\230Q\230c\240\021\240$\240b\250\001\340\004\017\210z\230\021\230!\340\004\007\200z\220\022\2201\330\010\r\210Q\210a\340\010\r\210Q\320\016\"\240\"\240C\240q\250\003\2501\250A\340\004\010\210\003\2101\210E\220\022\2201\330\004\t\210\024\210Q\210e\2202\220Q\330\004\n\210%\210q\220\005\220R\220q\340\004\007\200t\2102\210Q\330\010\013\2106\220\021\220!\330\010\013\2107\220!\2201\330\010\013\2107\220!\2201\330\010\013\2105\220\001\220\027\230\001\340\004\010\210\003\2101\210E\220\023\220J\230a\230q\330\004\t\210\024\210Q\210e\2203\220j\240\001\240\021\330\004\n\210%\210q\220\005\220S\230\n\240!\2401\340\004\014\210B\210j\230\002\230(\240&""\250\006\250d\260'\270\021\340\004\020\220\001\330\004\010\210\005\210U\220!\220:\230Q\230a\330\010\017\210q\220\010\230\001\230\023\230A\230Q\230a\230t\2402\240Z\250r\260\026\260t\2701\270A\270Q\270c\300\026\300t\3101\310A\310Q\310a\310q\320PQ\340\004\007\200w\210b\220\001\330\010\r\210Q\210a\340\004\013\2108\2208\2301\320\0006\260h\270h\320FV\320VW\360f\001\000\005\t\210\014\220G\2303\230a\230t\2401\240A\330\010\016\210i\220q\230\001\340\004\007\200t\2101\210I\220R\220q\330\010\013\2109\220G\2304\230q\330\014\022\220)\2301\230A\340\010\016\210i\220q\230\001\340\004\010\210\004\210A\210Y\220b\230\001\330\010\014\210I\220W\230D\240\001\330\014\022\220)\2301\230A\340\010\016\210i\220q\230\001\340\004\010\210\004\210A\210Y\220b\230\001\330\010\014\210I\220W\230D\240\001\330\014\022\220)\2301\230A\340\010\016\210i\220q\230\001\360\006\000\005\t\210\006\210b\220\001\330\010\016\210i\220q\230\001\360\006\000\005\t\210\003\2101\210E\220\022\2201\330\010\016\210i\220q\230\001\360\006\000\005\t\210\n\220(\230#\230Q\330\010\016\210i\220q\230\001\340\004\t\320\t\036\230a\230s\240$\240a\240y\260\004\260G\2701\270I\300S\310\004\310A\310Z\320WZ\320Z^\320^_\320_i\320io\320ou\320uy\320y|\360\000\000}\001D\002\360\000\000D\002E\002\360\000\000E\002O\002\360\000\000O\002Y\002\360\000\000Y\002\\\002\360\000\000\\\002]\002\360\000\000]\002^\002\340\004\014\210A\330\004\007\200q\210\014\220B\220j\240\002\240-\250u\260A\260R\260s\270!\2704\270q\300\002\300!\3003\300a\300t\310?\320Z\\\320\\c\320cd\320dh\320hi\320ik\320kl\320lo\320os\320sz\320z{\320{|\330\004\007\200q\320\010\035\230R\230z\250\022\250?\270\"\270G\3001\300D\310\001\310\022\3101\310C\310t\320SZ\320Z[\320[d\320dq\320qs\320sz\320z{\320{\177\360\000\000@\002A\002\360\000\000A\002C\002\360\000\000C\002D\002\360\000\000D\002G\002\360\000\000G\002K\002\360\000\000K\002R\002\360\000\000R\002S\002\360\000\000S\002\\\002\360\000\000\\\002u\002\360\000\000u\002y\002\360\000\000y\002z\002\360\000\000z\002{\002\340\004\007\200w\210b""\220\001\330\010\r\210Q\210a\340\004\013\2101\200\001\330\004\013\320\013 \240\001\240\023\240C\240s\250&\260\004\260A\320\000,\320,<\270I\300Q\360h\001\000\005\t\210\014\220G\2303\230a\230t\2401\240A\330\010\016\210i\220q\230\001\340\004\007\200t\2101\210I\220R\220q\330\010\013\2109\220G\2304\230q\330\014\022\220)\2301\230A\340\010\016\210i\220q\230\001\340\004\010\210\004\210A\210Y\220b\230\001\330\010\014\210I\220W\230D\240\001\330\014\022\220)\2301\230A\360\006\000\t\017\210i\220q\230\001\340\004\010\210\t\220\022\2201\330\010\014\210J\220g\230T\240\021\330\014\022\220)\2301\230A\340\004\010\210\003\2101\210E\220\022\2201\330\010\016\210i\220q\230\001\340\004\010\210\t\220\022\2201\330\010\r\210R\210w\220a\220u\230F\240!\340\010\013\2104\210q\220\001\360\006\000\005\n\320\t\035\230Q\230d\240!\2409\250D\260\007\260q\270\t\300\024\300Q\300j\320PS\320SV\320V]\320]^\320^_\340\004\007\200s\210!\2103\210b\220\001\340\010\014\210B\210j\230\002\230/\250\022\2507\260!\2604\260q\270\003\2704\270w\300a\300y\320P^\320^b\320bc\320ce\320ef\320fi\320iv\320vz\320z{\320{}\320}~\360\000\000\177\001B\002\360\000\000B\002Q\002\360\000\000Q\002U\002\360\000\000U\002V\002\360\000\000V\002X\002\360\000\000X\002Y\002\360\000\000Y\002Z\002\360\010\000\t\r\210B\210j\230\002\230/\250\022\2507\260!\2604\260q\270\003\2704\270w\300a\300y\320Pj\320jn\320no\320oq\320qr\320rv\360\000\000w\001K\002\360\000\000K\002O\002\360\000\000O\002P\002\360\000\000P\002R\002\360\000\000R\002S\002\360\000\000S\002W\002\360\000\000W\002p\002\360\000\000p\002t\002\360\000\000t\002u\002\360\000\000u\002w\002\360\000\000w\002x\002\360\000\000x\002|\002\360\000\000|\002O\003\360\000\000O\003S\003\360\000\000S\003T\003\360\000\000T\003V\003\360\000\000V\003W\003\360\000\000W\003[\003\360\000\000[\003v\003\360\000\000v\003z\003\360\000\000z\003{\003\360\000\000{\003}\003\360\000\000}\003~\003\360\000\000~\003B\004\360\000\000B\004W\004\360\000\000W\004[\004\360\000\000[\004\\\004\360\000\000\\\004^\004\360\000\000^""\004_\004\360\000\000_\004`\004\340\004\007\200w\210b\220\001\330\010\r\210Q\210a\340\004\013\2101\320\000:\320:J\310.\320Xe\320eq\360\000\000r\001B\002\360\000\000B\002Q\002\360\000\000Q\002a\002\360\000\000a\002j\002\360\000\000j\002s\002\360\000\000s\002}\002\360\000\000}\002E\003\360\000\000E\003T\003\360\000\000T\003g\003\360\000\000g\003u\003\360\000\000u\003v\003\360Z\002\000\005\t\210\014\220G\2303\230a\230t\2401\240A\330\010\016\210i\220q\230\001\340\004\007\200t\2101\210I\220R\220q\330\010\013\2109\220G\2304\230q\330\014\022\220)\2301\230A\340\010\016\210i\220q\230\001\340\004\010\210\004\210A\210Y\220b\230\001\330\010\014\210I\220W\230D\240\001\330\014\022\220)\2301\230A\360\006\000\t\017\210i\220q\230\001\360\006\000\005\t\210\004\210A\210Y\220b\230\001\330\010\014\210I\220W\230D\240\001\330\014\022\220)\2301\230A\360\006\000\t\017\210i\220q\230\001\360\006\000\005\t\210\t\220\022\2201\330\010\014\210J\220g\230T\240\021\330\014\022\220)\2301\230A\340\004\010\210\n\220\"\220A\330\010\016\210i\220q\230\001\340\004\010\210\010\220\002\220!\330\010\016\210i\220q\230\001\340\004\010\210\005\210X\220S\230\001\330\010\016\210i\220q\230\001\340\004\010\210\n\220\"\220A\330\010\014\210K\220r\230\021\330\014\022\220)\2301\230A\340\004\010\210\010\220\002\220!\330\010\014\210I\220R\220q\330\014\022\220)\2301\230A\360\006\000\005\t\210\t\220\030\230\023\230A\330\010\016\210i\220q\230\001\360\006\000\005\t\210\003\2101\210E\220\022\2201\330\010\016\210i\220q\230\001\360\006\000\005\t\210\006\210b\220\001\330\010\016\210i\220q\230\001\340\004\010\210\006\210b\220\001\330\010\016\210i\220q\230\001\340\004\010\210\004\210B\210a\330\010\014\210E\220\022\2201\330\014\022\220)\2301\230A\340\004\t\210\031\220\"\220C\220s\230)\2402\240Q\330\010\016\210i\220q\230\001\360\006\000\005\t\210\016\220b\230\001\330\010\016\210i\220q\230\001\340\004\010\210\010\220\010\230\003\2301\330\010\016\210i\220q\230\001\340\004\010\210\t\220\022\2201\330\010\r\210R\210w\220a\220u\230F\240!""\340\010\013\2104\210q\220\001\340\004\005\200X\210X\220^\240<\250q\260\006\260j\300\n\310*\320T`\320`k\320kq\320qv\320v~\360\000\000\177\001F\002\360\000\000F\002P\002\360\000\000P\002Y\002\360\000\000Y\002`\002\360\000\000`\002f\002\360\000\000f\002n\002\360\000\000n\002o\002\340\004\n\210,\220a\220v\230Z\240z\260\034\270[\310\013\320S]\320]e\320eq\320q~\360\000\000\177\001K\002\360\000\000K\002V\002\360\000\000V\002`\002\360\000\000`\002k\002\360\000\000k\002u\002\360\000\000u\002{\002\360\000\000{\002@\003\360\000\000@\003H\003\360\000\000H\003O\003\360\000\000O\003W\003\360\000\000W\003^\003\360\000\000^\003e\003\360\000\000e\003k\003\360\000\000k\003v\003\360\000\000v\003@\004\360\000\000@\004P\004\360\000\000P\004_\004\360\000\000_\004i\004\360\000\000i\004r\004\360\000\000r\004z\004\360\000\000z\004{\004\340\004\007\200w\210b\220\001\330\010\r\210Q\210a\340\004\013\2101\320\000(\250\017\260~\300X\310_\320\\j\320jy\360\000\000z\001B\002\360\000\000B\002K\002\360\000\000K\002U\002\360\000\000U\002]\002\360\000\000]\002k\002\360\000\000k\002}\002\360\000\000}\002K\003\360\000\000K\003L\003\360v\002\000\005\t\210\014\220G\2303\230a\230t\2401\240A\330\010\016\210i\220q\230\001\340\004\007\200t\2101\210I\220R\220q\330\010\013\2109\220G\2304\230q\330\014\022\220)\2301\230A\340\010\016\210i\220q\230\001\340\004\010\210\004\210A\210Y\220b\230\001\330\010\014\210I\220W\230D\240\001\330\014\022\220)\2301\230A\360\006\000\t\017\210i\220q\230\001\340\004\010\210\t\220\022\2201\330\010\014\210J\220g\230T\240\021\330\014\022\220)\2301\230A\340\004\010\210\010\220\002\220!\330\010\014\210I\220W\230D\240\001\330\014\022\220)\2301\230A\340\004\010\210\006\210b\220\001\330\010\016\210i\220q\230\001\340\004\010\210\n\220\"\220A\330\010\014\210K\220r\230\021\330\014\022\220)\2301\230A\340\004\010\210\010\220\002\220!\330\010\014\210I\220R\220q\330\014\022\220)\2301\230A\360\006\000\005\t\210\t\220\030\230\023\230A\330\010\016\210i\220q\230\001\360\006\000\005\t\210\003\2101\210E""\220\022\2201\330\010\016\210i\220q\230\001\360\006\000\005\t\210\006\210b\220\001\330\010\016\210i\220q\230\001\340\004\010\210\006\210b\220\001\330\010\016\210i\220q\230\001\340\004\010\210\004\210B\210a\330\010\014\210E\220\022\2201\330\014\022\220)\2301\230A\340\004\t\210\031\220\"\220C\220s\230)\2402\240Q\330\010\016\210i\220q\230\001\360\006\000\005\t\210\016\220b\230\001\330\010\016\210i\220q\230\001\340\004\010\210\010\220\010\230\003\2301\330\010\016\210i\220q\230\001\360\006\000\005\010\200s\210!\2104\210q\220\t\230\021\230\"\230B\230a\330\010\016\210i\220q\230\001\340\004\010\210\010\220\002\220!\330\010\r\210T\220\021\220$\220a\220y\240\001\240\021\340\004\010\210\t\220\022\2201\330\010\r\210R\210w\220a\220u\230F\240!\340\010\013\2104\210q\220\001\360\006\000\005\t\210\010\220\002\220!\330\010\r\210R\210w\220a\220u\230F\240!\340\010\013\2104\210q\220\001\340\004\010\210\010\220\002\220!\330\010\023\2201\340\004\t\320\t\031\230\021\230#\230T\240\021\240)\2504\250w\260a\260y\300\003\3004\300q\310\n\320RU\320UX\320X[\320[^\320^d\320dj\320ju\360\000\000v\001A\002\360\000\000A\002J\002\360\000\000J\002S\002\360\000\000S\002\\\002\360\000\000\\\002e\002\360\000\000e\002i\002\360\000\000i\002l\002\360\000\000l\002s\002\360\000\000s\002t\002\360\000\000t\002}\002\360\000\000}\002C\003\360\000\000C\003J\003\360\000\000J\003P\003\360\000\000P\003W\003\360\000\000W\003\\\003\360\000\000\\\003b\003\360\000\000b\003k\003\360\000\000k\003u\003\360\000\000u\003C\004\360\000\000C\004R\004\360\000\000R\004Z\004\360\000\000Z\004]\004\360\000\000]\004^\004\360\000\000^\004_\004\340\004\010\210\010\220\002\220#\220U\230#\230Q\230c\240\022\2401\340\010\014\210B\210j\230\002\230/\250\022\2507\260!\2604\260q\270\002\270!\2703\270d\300'\310\021\310)\320Sg\320gk\320kl\320ln\320no\320op\340\n\022\220\"\220C\220u\230C\230q\240\003\2401\240A\340\010\014\210B\210j\230\002\230/\250\022\2507\260!\2604\260q\270\002\270!\2703\270d\300'\310\021\310)\320Sg\320gk\320kl\320ln\320no\320or""\360\000\000s\001L\002\360\000\000L\002P\002\360\000\000P\002Q\002\360\000\000Q\002S\002\360\000\000S\002T\002\360\000\000T\002U\002\340\n\022\220\"\220C\220u\230C\230q\240\003\2402\240Q\340\010\020\220\001\340\010\013\2101\210J\220b\230\n\240\"\240O\2602\260W\270A\270T\300\021\300\"\300A\300S\310\004\310G\320ST\320T]\320]q\320qu\320uv\320vx\320xy\320yz\330\010\013\2101\320\014!\240\022\240:\250R\250\177\270b\300\007\300q\310\004\310A\310R\310q\320PS\320SW\320W^\320^_\320_h\320hu\320uw\320w~\320~\177\360\000\000@\002D\002\360\000\000D\002E\002\360\000\000E\002G\002\360\000\000G\002H\002\360\000\000H\002K\002\360\000\000K\002O\002\360\000\000O\002V\002\360\000\000V\002W\002\360\000\000W\002`\002\360\000\000`\002y\002\360\000\000y\002}\002\360\000\000}\002~\002\360\000\000~\002@\003\360\000\000@\003A\003\360\000\000A\003B\003\340\010\013\2101\320\014\037\230r\240\032\2502\250_\270B\270g\300Q\300d\310!\3102\310Q\310c\320QU\320U\\\320\\]\320]f\320fw\320w{\320{|\320|~\320~\177\360\000\000@\002A\002\360\010\000\t\021\220\001\340\010\013\2101\210J\220b\230\n\240\"\240O\2602\260W\270A\270T\300\021\300\"\300A\300S\310\004\310G\320ST\320T]\320]q\320qu\320uv\320vx\320xy\320y|\360\000\000}\001V\002\360\000\000V\002Z\002\360\000\000Z\002[\002\360\000\000[\002]\002\360\000\000]\002^\002\360\000\000^\002_\002\330\010\013\2101\320\014!\240\022\240:\250R\250\177\270b\300\007\300q\310\004\310A\310R\310q\320PS\320SW\320W^\320^_\320_h\320hu\320uw\320w~\320~\177\360\000\000@\002D\002\360\000\000D\002E\002\360\000\000E\002G\002\360\000\000G\002H\002\360\000\000H\002K\002\360\000\000K\002O\002\360\000\000O\002V\002\360\000\000V\002W\002\360\000\000W\002`\002\360\000\000`\002y\002\360\000\000y\002}\002\360\000\000}\002~\002\360\000\000~\002@\003\360\000\000@\003A\003\360\000\000A\003B\003\340\010\013\2101\320\014\037\230r\240\032\2502\250_\270B\270g\300Q\300d\310!\3102\310Q\310c\320QU\320U\\\320\\]\320]f\360\000\000g\001D\002\360\000\000D\002H\002\360\000\000H\002I\002\360\000\000I\002K""\002\360\000\000K\002L\002\360\000\000L\002O\002\360\000\000O\002r\002\360\000\000r\002v\002\360\000\000v\002w\002\360\000\000w\002y\002\360\000\000y\002z\002\360\000\000z\002{\002\340\004\007\200w\210b\220\001\330\010\r\210Q\210a\340\004\013\2101\200\001\330\004\013\320\013\037\230q\240\003\2403\240c\250\021";
     PyObject *data = NULL;
     CYTHON_UNUSED_VAR(__Pyx_DecompressString);
     #endif

{channelattribution-2.2.3 → channelattribution-2.2.4}/src/cypack/ChannelAttribution.pyx RENAMED Viewed

@@ -29,7 +29,7 @@ import sys
 import matplotlib.pyplot as plt
 import importlib
-__version="2.2.3"
+__version="2.2.4"
 print("*** Looking to run more advanced attribution? Install ChannelAttribution Pro for free running install_pro(). Visit https://channelattribution.io for more info.")
 print("Version: " + str(__version))

{channelattribution-2.2.3 → channelattribution-2.2.4}/src/cypack/docs/conf.py RENAMED Viewed

@@ -19,7 +19,7 @@ except Exception:
 project = "ChannelAttribution"
 author = "Davide Altomare, David Loris"
 copyright = "Davide Altomare and David Loris"
-release = "2.2.3"
+release = "2.2.4"
 # --- Extensions --------------------------------------------------------------
 # Use napoleon (NumPy/Google docstrings) for HTML; we'll swap to numpydoc for rinoh in setup().