aigroup-econ-mcp 0.4.0__py3-none-any.whl → 0.4.1__py3-none-any.whl

aigroup_econ_mcp/server_with_file_support.py

@@ -1,259 +0,0 @@
-"""
-AIGroup 计量经济学 MCP 服务器 - 支持CSV文件路径输入
-使用最新的MCP特性提供专业计量经济学分析工具
-"""
-
-from typing import List, Dict, Any, Optional, Annotated, Union
-from collections.abc import AsyncIterator
-from contextlib import asynccontextmanager
-from dataclasses import dataclass
-import json
-from pathlib import Path
-
-import pandas as pd
-import numpy as np
-import statsmodels.api as sm
-from statsmodels.tsa import stattools
-from scipy import stats
-from pydantic import BaseModel, Field
-
-from mcp.server.fastmcp import FastMCP, Context
-from mcp.server.session import ServerSession
-from mcp.types import CallToolResult, TextContent
-
-
-# 数据模型定义
-class DescriptiveStatsResult(BaseModel):
-    """描述性统计结果"""
-    count: int = Field(description="样本数量")
-    mean: float = Field(description="均值")
-    std: float = Field(description="标准差")
-    min: float = Field(description="最小值")
-    max: float = Field(description="最大值")
-    median: float = Field(description="中位数")
-    skewness: float = Field(description="偏度")
-    kurtosis: float = Field(description="峰度")
-
-
-# 应用上下文
-@dataclass
-class AppContext:
-    """应用上下文，包含共享资源"""
-    config: Dict[str, Any]
-    version: str = "0.2.0"
-
-
-@asynccontextmanager
-async def lifespan(server: FastMCP) -> AsyncIterator[AppContext]:
-    """服务器生命周期管理"""
-    config = {
-        "max_sample_size": 10000,
-        "default_significance_level": 0.05,
-        "supported_tests": ["t_test", "f_test", "chi_square", "adf"],
-        "data_types": ["cross_section", "time_series", "panel"]
-    }
-    try:
-        yield AppContext(config=config, version="0.2.0")
-    finally:
-        pass
-
-
-# 创建MCP服务器实例
-mcp = FastMCP(
-    name="aigroup-econ-mcp",
-    instructions="Econometrics MCP Server with CSV file path support",
-    lifespan=lifespan
-)
-
-
-# 辅助函数：加载CSV文件
-async def load_data_from_path(file_path: str, ctx: Context) -> Dict[str, List[float]]:
-    """从CSV文件路径加载数据"""
-    await ctx.info(f"正在从文件加载数据: {file_path}")
-    
-    try:
-        # 读取CSV文件
-        df = pd.read_csv(file_path)
-        
-        # 转换为字典格式
-        data = {col: df[col].tolist() for col in df.columns}
-        
-        await ctx.info(f"✅ 文件加载成功：{len(df.columns)}个变量，{len(df)}个观测")
-        return data
-        
-    except FileNotFoundError:
-        raise ValueError(f"文件不存在: {file_path}")
-    except Exception as e:
-        raise ValueError(f"文件读取失败: {str(e)}")
-
-
-@mcp.tool()
-async def descriptive_statistics(
-    ctx: Context[ServerSession, AppContext],
-    data: Annotated[
-        Union[Dict[str, List[float]], str],
-        Field(
-            description="""数据输入，支持两种格式：
-
-📊 格式1：数据字典
-{
-    "GDP增长率": [3.2, 2.8, 3.5, 2.9],
-    "通货膨胀率": [2.1, 2.3, 1.9, 2.4],
-    "失业率": [4.5, 4.2, 4.0, 4.3]
-}
-
-📁 格式2：CSV文件路径（推荐）
-"d:/data/economic_data.csv"
-或
-"./test_data.csv"
-
-CSV文件要求：
-- 第一行为变量名（表头）
-- 后续行为数值数据
-- 所有列必须为数值类型"""
-        )
-    ]
-) -> CallToolResult:
-    """计算描述性统计量
-    
-    📊 功能说明：
-    对输入数据进行全面的描述性统计分析，包括集中趋势、离散程度、分布形状等指标。
-    
-    💡 使用场景：
-    - 初步了解数据的分布特征
-    - 检查数据质量和异常值
-    - 为后续建模提供基础信息
-    """
-    try:
-        # 检测输入类型并加载数据
-        if isinstance(data, str):
-            # 文件路径输入
-            data_dict = await load_data_from_path(data, ctx)
-        else:
-            # 字典输入
-            data_dict = data
-        
-        await ctx.info(f"开始计算描述性统计，处理 {len(data_dict)} 个变量")
-        
-        # 数据验证
-        if not data_dict:
-            raise ValueError("数据不能为空")
-        
-        df = pd.DataFrame(data_dict)
-        
-        # 基础统计量
-        result = DescriptiveStatsResult(
-            count=len(df),
-            mean=df.mean().mean(),
-            std=df.std().mean(),
-            min=df.min().min(),
-            max=df.max().max(),
-            median=df.median().mean(),
-            skewness=df.skew().mean(),
-            kurtosis=df.kurtosis().mean()
-        )
-        
-        # 计算相关系数矩阵
-        correlation_matrix = df.corr().round(4)
-        
-        await ctx.info(f"描述性统计计算完成，样本大小: {len(df)}")
-        
-        return CallToolResult(
-            content=[
-                TextContent(
-                    type="text",
-                    text=f"描述性统计结果：\n"
-                         f"样本数: {result.count}\n"
-                         f"均值: {result.mean:.4f}\n"
-                         f"标准差: {result.std:.4f}\n"
-                         f"最小值: {result.min:.4f}\n"
-                         f"最大值: {result.max:.4f}\n"
-                         f"中位数: {result.median:.4f}\n"
-                         f"偏度: {result.skewness:.4f}\n"
-                         f"峰度: {result.kurtosis:.4f}\n\n"
-                         f"相关系数矩阵：\n{correlation_matrix.to_string()}"
-                )
-            ],
-            structuredContent=result.model_dump()
-        )
-        
-    except Exception as e:
-        await ctx.error(f"计算描述性统计时出错: {str(e)}")
-        return CallToolResult(
-            content=[TextContent(type="text", text=f"错误: {str(e)}")],
-            isError=True
-        )
-
-
-@mcp.tool()
-async def correlation_analysis(
-    ctx: Context[ServerSession, AppContext],
-    data: Annotated[
-        Union[Dict[str, List[float]], str],
-        Field(
-            description="""数据输入，支持两种格式：
-
-📊 格式1：数据字典
-{
-    "销售额": [12000, 13500, 11800, 14200],
-    "广告支出": [800, 900, 750, 1000],
-    "价格": [99, 95, 102, 98]
-}
-
-📁 格式2：CSV文件路径
-"d:/data/marketing_data.csv"
-
-要求：
-- 至少包含2个变量
-- 所有变量的数据点数量必须相同"""
-        )
-    ],
-    method: Annotated[
-        str,
-        Field(
-            default="pearson",
-            description="相关系数类型：pearson/spearman/kendall"
-        )
-    ] = "pearson"
-) -> CallToolResult:
-    """变量间相关性分析"""
-    try:
-        # 检测输入类型并加载数据
-        if isinstance(data, str):
-            data_dict = await load_data_from_path(data, ctx)
-        else:
-            data_dict = data
-        
-        await ctx.info(f"开始相关性分析: {method}")
-        
-        # 数据验证
-        if not data_dict:
-            raise ValueError("数据不能为空")
-        if len(data_dict) < 2:
-            raise ValueError("至少需要2个变量进行相关性分析")
-        
-        df = pd.DataFrame(data_dict)
-        correlation_matrix = df.corr(method=method)
-        
-        await ctx.info("相关性分析完成")
-        
-        return CallToolResult(
-            content=[
-                TextContent(
-                    type="text",
-                    text=f"{method.title()}相关系数矩阵：\n{correlation_matrix.round(4).to_string()}"
-                )
-            ]
-        )
-        
-    except Exception as e:
-        await ctx.error(f"相关性分析出错: {str(e)}")
-        return CallToolResult(
-            content=[TextContent(type="text", text=f"错误: {str(e)}")],
-            isError=True
-        )
-
-
-def create_mcp_server() -> FastMCP:
-    """创建并返回MCP服务器实例"""
-    return mcp