hossam 0.3.16__tar.gz → 0.3.17__tar.gz

hossam-0.3.17/PKG-INFO

@@ -0,0 +1,205 @@
+Metadata-Version: 2.4
+Name: hossam
+Version: 0.3.17
+Summary: Hossam Data Helper
+Author-email: Lee Kwang-Ho <leekh4232@gmail.com>
+License-Expression: MIT
+Project-URL: Homepage, https://github.com/leekh4232/hossam-py
+Project-URL: Repository, https://github.com/leekh4232/hossam-py
+Keywords: data,analysis,helper,hossam,tensorflow
+Classifier: Development Status :: 3 - Alpha
+Classifier: Intended Audience :: Developers
+Classifier: Topic :: Software Development :: Libraries
+Classifier: Programming Language :: Python :: 3
+Classifier: Programming Language :: Python :: 3 :: Only
+Requires-Python: >=3.11
+Description-Content-Type: text/markdown
+License-File: LICENSE
+Requires-Dist: tqdm
+Requires-Dist: tabulate
+Requires-Dist: pandas
+Requires-Dist: matplotlib
+Requires-Dist: seaborn
+Requires-Dist: requests
+Requires-Dist: openpyxl
+Requires-Dist: xlrd
+Requires-Dist: statsmodels
+Requires-Dist: scipy
+Requires-Dist: scikit-learn
+Requires-Dist: pingouin
+Requires-Dist: statannotations
+Requires-Dist: joblib
+Requires-Dist: geopandas
+Requires-Dist: kmodes
+Requires-Dist: pmdarima
+Requires-Dist: prophet
+Requires-Dist: plotly
+Dynamic: license-file
+
+---
+title: 🎓 Hossam Data Helper
+---
+
+# 🎓 Hossam Data Helper
+
+[![Python Version](https://img.shields.io/badge/python-3.8%2B-blue.svg)](https://www.python.org/downloads/)
+[![License: MIT](https://img.shields.io/badge/License-MIT-yellow.svg)](https://opensource.org/licenses/MIT)
+[![Version](https://img.shields.io/badge/version-0.3.8-green.svg)](https://pypi.org/project/hossam/)
+[![Documentation](https://img.shields.io/badge/docs-py.hossam.kr-blue.svg)](https://py.hossam.kr)
+
+**Hossam**은 데이터 분석, 시각화, 통계 처리를 위한 종합 헬퍼 라이브러리입니다.
+
+아이티윌(ITWILL)에서 진행 중인 머신러닝 및 데이터 분석 수업을 위해 개발되었으며, 이광호 강사의 강의에서 활용됩니다.
+
+## ✨ 주요 특징
+
+- 📊 **풍부한 시각화**: 25+ 시각화 함수 (Seaborn/Matplotlib 기반)
+- 🎯 **통계 분석**: 회귀, 분류, 시계열 분석 도구
+- 📦 **샘플 데이터**: 학습용 데이터셋 즉시 로드
+- 🔧 **데이터 전처리**: 결측치 처리, 이상치 탐지, 스케일링
+- 🤖 **MCP 서버**: VSCode/Copilot과 통합 가능한 Model Context Protocol 지원
+- 📈 **교육용 최적화**: 데이터 분석 교육에 특화된 설계
+
+---
+
+## 📦 설치
+
+```bash
+pip install hossam
+```
+
+**요구사항**: Python 3.8 이상
+
+---
+
+## 🚀 빠른 시작
+
+### 샘플 데이터 로드
+
+```python
+from hossam import load_data, load_info
+
+# 사용 가능한 데이터셋 확인
+datasets = load_info()
+
+# 데이터 로드
+df = load_data('AD_SALES')
+```
+
+### 간단한 시각화
+
+```python
+from hossam import hs_plot
+import pandas as pd
+import numpy as np
+
+df = pd.DataFrame({
+    'x': np.random.randn(100),
+    'y': np.random.randn(100),
+    'category': np.random.choice(['A', 'B', 'C'], 100)
+})
+
+# 산점도
+hs_plot.scatterplot(df=df, xname='x', yname='y', hue='category')
+
+# 박스플롯
+hs_plot.boxplot(df=df, xname='category', yname='x')
+```
+
+---
+
+## 🤖 MCP Server
+
+Hossam은 **Model Context Protocol(MCP)** 기반 서버로도 작동하며, VSCode Copilot/Cline과 통합하여 데이터 분석 코드를 자동 생성할 수 있습니다.
+
+### 빠른 시작
+
+```bash
+# 서버 시작
+hossam-mcp
+```
+
+### VSCode + Copilot 연동
+
+VSCode에서 Copilot과 함께 사용하려면 `.vscode/settings.json` 설정이 필요합니다.
+
+**Copilot Chat에서 사용:**
+```
+@hossam 이 DataFrame의 결측치를 분석하고 처리하는 코드 작성해줘
+```
+
+**설정 가이드:**
+- [`.vscode/settings.json` 완성형 샘플](https://py.hossam.kr/guides/vscode-settings-sample/) ⭐
+- [VSCode + Copilot 연동 상세](https://py.hossam.kr/guides/vscode-copilot-integration/)
+- [MCP 서버 사용법](https://py.hossam.kr/guides/mcp/)
+- [Copilot Chat 프롬프트 예시](https://py.hossam.kr/guides/copilot-prompts/)
+
+---
+
+## 📚 전체 문서
+
+**완전한 API 문서와 가이드는 [py.hossam.kr](https://py.hossam.kr)에서 확인하세요.**
+
+### 주요 모듈
+
+- **hs_plot**: 25+ 시각화 함수 (선 그래프, 산점도, 히스토그램, 박스플롯, 히트맵 등)
+- **hs_stats**: 회귀/분류 분석, 교차검증, 정규성 검정, 상관분석 등
+- **hs_prep**: 결측치 처리, 이상치 탐지, 스케일링, 인코딩
+- **hs_gis**: GIS 데이터 로드 및 시각화 (대한민국 지도 지원)
+- **hs_classroom**: 학습용 이진분류, 다중분류, 회귀 데이터 생성
+- **hs_util**: 예쁜 테이블 출력, 그리드 서치 등
+
+자세한 사용법은 [API 문서](https://py.hossam.kr/api/hossam/)를 참고하세요.
+
+---
+
+## 🎓 예제
+
+### 결측치 분석
+
+```python
+from hossam import hs_prep
+
+# 결측치 정보 확인
+hs_prep.hs_missing_values(df)
+
+# 결측치 시각화
+hs_prep.hs_missing_values_barplot(df)
+```
+
+### 회귀 분석
+
+```python
+from hossam import hs_stats
+
+# 단순 선형 회귀
+result = hs_stats.hs_simple_regression(df, xname='x', yname='y', plot=True)
+```
+
+### 상관분석 히트맵
+
+```python
+from hossam import hs_plot
+
+hs_plot.heatmap(df=df, annot=True, cmap='coolwarm')
+```
+
+더 많은 예제는 [문서 사이트](https://py.hossam.kr)를 참고하세요.
+
+---
+
+## 📄 라이선스
+
+이 프로젝트는 MIT 라이선스를 따릅니다. 자유롭게 사용, 수정, 배포할 수 있습니다.
+
+---
+
+## 🔗 링크
+
+- **문서**: [py.hossam.kr](https://py.hossam.kr)
+- **PyPI**: [pypi.org/project/hossam](https://pypi.org/project/hossam/)
+- **강사**: 이광호 (ITWILL 머신러닝 및 데이터 분석)
+
+---
+
+**Made with ❤️ for Data Science Education**

hossam-0.3.17/README.md

@@ -0,0 +1,167 @@
+---
+title: 🎓 Hossam Data Helper
+---
+
+# 🎓 Hossam Data Helper
+
+[![Python Version](https://img.shields.io/badge/python-3.8%2B-blue.svg)](https://www.python.org/downloads/)
+[![License: MIT](https://img.shields.io/badge/License-MIT-yellow.svg)](https://opensource.org/licenses/MIT)
+[![Version](https://img.shields.io/badge/version-0.3.8-green.svg)](https://pypi.org/project/hossam/)
+[![Documentation](https://img.shields.io/badge/docs-py.hossam.kr-blue.svg)](https://py.hossam.kr)
+
+**Hossam**은 데이터 분석, 시각화, 통계 처리를 위한 종합 헬퍼 라이브러리입니다.
+
+아이티윌(ITWILL)에서 진행 중인 머신러닝 및 데이터 분석 수업을 위해 개발되었으며, 이광호 강사의 강의에서 활용됩니다.
+
+## ✨ 주요 특징
+
+- 📊 **풍부한 시각화**: 25+ 시각화 함수 (Seaborn/Matplotlib 기반)
+- 🎯 **통계 분석**: 회귀, 분류, 시계열 분석 도구
+- 📦 **샘플 데이터**: 학습용 데이터셋 즉시 로드
+- 🔧 **데이터 전처리**: 결측치 처리, 이상치 탐지, 스케일링
+- 🤖 **MCP 서버**: VSCode/Copilot과 통합 가능한 Model Context Protocol 지원
+- 📈 **교육용 최적화**: 데이터 분석 교육에 특화된 설계
+
+---
+
+## 📦 설치
+
+```bash
+pip install hossam
+```
+
+**요구사항**: Python 3.8 이상
+
+---
+
+## 🚀 빠른 시작
+
+### 샘플 데이터 로드
+
+```python
+from hossam import load_data, load_info
+
+# 사용 가능한 데이터셋 확인
+datasets = load_info()
+
+# 데이터 로드
+df = load_data('AD_SALES')
+```
+
+### 간단한 시각화
+
+```python
+from hossam import hs_plot
+import pandas as pd
+import numpy as np
+
+df = pd.DataFrame({
+    'x': np.random.randn(100),
+    'y': np.random.randn(100),
+    'category': np.random.choice(['A', 'B', 'C'], 100)
+})
+
+# 산점도
+hs_plot.scatterplot(df=df, xname='x', yname='y', hue='category')
+
+# 박스플롯
+hs_plot.boxplot(df=df, xname='category', yname='x')
+```
+
+---
+
+## 🤖 MCP Server
+
+Hossam은 **Model Context Protocol(MCP)** 기반 서버로도 작동하며, VSCode Copilot/Cline과 통합하여 데이터 분석 코드를 자동 생성할 수 있습니다.
+
+### 빠른 시작
+
+```bash
+# 서버 시작
+hossam-mcp
+```
+
+### VSCode + Copilot 연동
+
+VSCode에서 Copilot과 함께 사용하려면 `.vscode/settings.json` 설정이 필요합니다.
+
+**Copilot Chat에서 사용:**
+```
+@hossam 이 DataFrame의 결측치를 분석하고 처리하는 코드 작성해줘
+```
+
+**설정 가이드:**
+- [`.vscode/settings.json` 완성형 샘플](https://py.hossam.kr/guides/vscode-settings-sample/) ⭐
+- [VSCode + Copilot 연동 상세](https://py.hossam.kr/guides/vscode-copilot-integration/)
+- [MCP 서버 사용법](https://py.hossam.kr/guides/mcp/)
+- [Copilot Chat 프롬프트 예시](https://py.hossam.kr/guides/copilot-prompts/)
+
+---
+
+## 📚 전체 문서
+
+**완전한 API 문서와 가이드는 [py.hossam.kr](https://py.hossam.kr)에서 확인하세요.**
+
+### 주요 모듈
+
+- **hs_plot**: 25+ 시각화 함수 (선 그래프, 산점도, 히스토그램, 박스플롯, 히트맵 등)
+- **hs_stats**: 회귀/분류 분석, 교차검증, 정규성 검정, 상관분석 등
+- **hs_prep**: 결측치 처리, 이상치 탐지, 스케일링, 인코딩
+- **hs_gis**: GIS 데이터 로드 및 시각화 (대한민국 지도 지원)
+- **hs_classroom**: 학습용 이진분류, 다중분류, 회귀 데이터 생성
+- **hs_util**: 예쁜 테이블 출력, 그리드 서치 등
+
+자세한 사용법은 [API 문서](https://py.hossam.kr/api/hossam/)를 참고하세요.
+
+---
+
+## 🎓 예제
+
+### 결측치 분석
+
+```python
+from hossam import hs_prep
+
+# 결측치 정보 확인
+hs_prep.hs_missing_values(df)
+
+# 결측치 시각화
+hs_prep.hs_missing_values_barplot(df)
+```
+
+### 회귀 분석
+
+```python
+from hossam import hs_stats
+
+# 단순 선형 회귀
+result = hs_stats.hs_simple_regression(df, xname='x', yname='y', plot=True)
+```
+
+### 상관분석 히트맵
+
+```python
+from hossam import hs_plot
+
+hs_plot.heatmap(df=df, annot=True, cmap='coolwarm')
+```
+
+더 많은 예제는 [문서 사이트](https://py.hossam.kr)를 참고하세요.
+
+---
+
+## 📄 라이선스
+
+이 프로젝트는 MIT 라이선스를 따릅니다. 자유롭게 사용, 수정, 배포할 수 있습니다.
+
+---
+
+## 🔗 링크
+
+- **문서**: [py.hossam.kr](https://py.hossam.kr)
+- **PyPI**: [pypi.org/project/hossam](https://pypi.org/project/hossam/)
+- **강사**: 이광호 (ITWILL 머신러닝 및 데이터 분석)
+
+---
+
+**Made with ❤️ for Data Science Education**

{hossam-0.3.16 → hossam-0.3.17}/hossam/__init__.py

@@ -5,6 +5,7 @@ from matplotlib import font_manager as fm
 from importlib.resources import files, as_file
 from importlib.metadata import version
 from types import SimpleNamespace
+import sys
 import warnings
 
 try:
@@ -56,9 +57,10 @@ def _init_korean_font():
                 "pdf.fonttype": 42,
                 "ps.fonttype": 42,
             })
-            print(
-                "\n✅ 시각화를 위한 한글 글꼴(NotoSansKR-Regular)이 자동 적용되었습니다."
-            )
+            if sys.stdout.isatty():
+                print(
+                    "\n✅ 시각화를 위한 한글 글꼴(NotoSansKR-Regular)이 자동 적용되었습니다."
+                )
             return
     except Exception as e:
         warnings.warn(f"\n한글 폰트 초기화: 패키지 폰트 사용 실패 ({e}).")
@@ -76,8 +78,10 @@ def _init():
         f"🔖 Version: {__version__}",
     ]
 
-    for msg in messages:
-        print(f"{msg}")
+    # MCP/stdio 환경에서는 배너를 출력하지 않음 (stdout TTY일 때만 출력)
+    if sys.stdout.isatty():
+        for msg in messages:
+            print(f"{msg}")
 
     _init_korean_font()
 

{hossam-0.3.16 → hossam-0.3.17}/hossam/hs_prep.py

@@ -440,11 +440,11 @@ def bin_continuous(
 
     지원 방법:
     - "natural_breaks"(기본): Jenks 자연 구간화. jenkspy 미사용 시 quantile로 대체
-      기본 라벨: "X~Y" 형식 (예: "18~30", "30~40")
+      기본 라벨: "X-Y" 형식 (예: "18-30", "30-40")
     - "quantile"/"qcut"/"equal_freq": 분위수 기반 동빈도
-      기본 라벨: "X~Y" 형식
+      기본 라벨: "X-Y" 형식
     - "equal_width"/"uniform": 동일 간격
-      기본 라벨: "X~Y" 형식
+      기본 라벨: "X-Y" 형식
     - "std": 평균±표준편차를 경계로 4구간 생성
       라벨: "low", "mid_low", "mid_high", "high"
     - "lifecourse"/"life_stage": 생애주기 5단계

{hossam-0.3.16 → hossam-0.3.17}/hossam/hs_stats.py

@@ -6,7 +6,7 @@ import numpy as np
 from typing import Tuple
 from itertools import combinations
 from pandas import DataFrame, Series, concat
-from pandas.api.types import is_bool_dtype
+from pandas.api.types import is_bool_dtype, is_numeric_dtype
 
 from sklearn.metrics import (
     confusion_matrix,
@@ -274,7 +274,7 @@ def category_table(data: DataFrame, *fields: str):
 # ===================================================================
 # 범주형 변수 요약 (Categorical Variable Summary)
 # ===================================================================
-def category_summary(data: DataFrame, *fields: str):
+def category_describe(data: DataFrame, *fields: str):
     """데이터프레임의 명목형(범주형) 변수에 대한 분포 편향을 요약한다.
 
     각 명목형 컬럼의 최다 범주와 최소 범주의 정보를 요약하여 데이터프레임으로 반환한다.
@@ -296,19 +296,19 @@ def category_summary(data: DataFrame, *fields: str):
     Examples:
         전체 명목형 컬럼에 대한 분포 편향 요약:
 
-        >>> from hossam import category_summary
+        >>> from hossam import category_describe
         >>> import pandas as pd
         >>> df = pd.DataFrame({
         ...     'cut': ['Ideal', 'Premium', 'Good', 'Ideal', 'Premium'],
         ...     'color': ['E', 'F', 'G', 'E', 'F'],
         ...     'price': [100, 200, 150, 300, 120]
         ... })
-        >>> result = category_summary(df)
+        >>> result = category_describe(df)
         >>> print(result)
 
         특정 컬럼만 분석:
 
-        >>> result = category_summary(df, 'cut', 'color')
+        >>> result = category_describe(df, 'cut', 'color')
         >>> print(result)
 
     Notes:
@@ -360,6 +360,16 @@ def category_summary(data: DataFrame, *fields: str):
 
     return DataFrame(result)
 
+# -------------------------------------------------------------------
+# Backward-compatibility alias for categorical summary
+# 기존 함수명(category_summary)을 계속 지원합니다.
+def category_summary(data: DataFrame, *fields: str):
+    """Deprecated alias for category_describe.
+
+    기존 코드 호환을 위해 유지됩니다. 내부적으로 category_describe를 호출합니다.
+    """
+    return category_describe(data, *fields)
+
 # ===================================================================
 # 정규성 검정 (Normal Test)
 # ===================================================================
@@ -443,7 +453,7 @@ def normal_test(data: DataFrame, columns: list | str | None = None, method: str
             if method == "n":
                 method_name = "normaltest"
                 s, p = normaltest(col_data)
-            else:  # method == "s"
+            else:
                 method_name = "shapiro"
                 s, p = shapiro(col_data)
 
@@ -1028,6 +1038,16 @@ def vif_filter(
 
     return result
 
+# -------------------------------------------------------------------
+# Backward-compatibility alias for describe (typo support)
+# 오타(discribe)로 사용된 경우를 지원하여 혼란을 줄입니다.
+def discribe(data: DataFrame, *fields: str, columns: list = None):
+    """Deprecated alias for describe.
+
+    내부적으로 describe를 호출합니다.
+    """
+    return describe(data, *fields, columns=columns)
+
 
 # ===================================================================
 # x, y 데이터에 대한 추세선을 구한다.
@@ -1298,14 +1318,14 @@ def ols(df: DataFrame, yname: str, report=False):
         ...     'x2': np.random.normal(0, 1, 100)
         ... })
         >>> # 적합 결과만 반환
-        >>> fit = hs_linear(df, 'target')
+        >>> fit = hs_ols(df, 'target')
         >>> print(fit.summary())
 
         >>> # 요약 리포트 반환
-        >>> fit, rdf, result_report, model_report, var_reports, eq = hs_linear(df, 'target', report=1)
+        >>> fit, result, features = hs_ols(df, 'target', report=1)
 
         >>> # 풀 리포트 반환
-        >>> fit, pdf, rdf, result_report, model_report, var_reports, eq = hs_linear(df, 'target', report=2)
+        >>> fit, pdf, rdf, result_report, model_report, var_reports, eq = hs_ols(df, 'target', report=2)
     """
     x = df.drop(yname, axis=1)
     y = df[yname]
@@ -1320,8 +1340,8 @@ def ols(df: DataFrame, yname: str, report=False):
         return linear_fit
     elif report == 1 or report == 'summary':
         # 요약 리포트 (full=False)
-        result = ols_report(linear_fit, df, full=False, alpha=0.05)
-        return linear_fit, result
+        pdf, rdf, result_report, model_report, variable_reports, equation_text = ols_report(linear_fit, df, full=True, alpha=0.05)
+        return linear_fit, pdf, rdf
     elif report == 2 or report == 'full' or report is True:
         # 풀 리포트 (full=True)
         pdf, rdf, result_report, model_report, variable_reports, equation_text = ols_report(linear_fit, df, full=True, alpha=0.05)
@@ -2094,7 +2114,7 @@ def corr_pairwise(
         cols = data.select_dtypes(include=[np.number]).columns.tolist()
     else:
         # fields 리스트에서 데이터에 있는 것만 선택하되, 숫자형만 필터링
-        cols = [c for c in fields if c in data.columns and pd.api.types.is_numeric_dtype(data[c])]
+        cols = [c for c in fields if c in data.columns and is_numeric_dtype(data[c])]
 
     # 사용 가능한 컬럼이 2개 미만이면 상관분석 불가능
     if len(cols) < 2:
@@ -2707,7 +2727,7 @@ def predict(fit, data: DataFrame | Series) -> DataFrame | Series | float:
 # ===================================================================
 # 확장된 기술통계량 (Extended Descriptive Statistics)
 # ===================================================================
-def summary(data: DataFrame, *fields: str, columns: list = None):
+def describe(data: DataFrame, *fields: str, columns: list = None):
     """데이터프레임의 연속형 변수에 대한 확장된 기술통계량을 반환한다.
 
     각 연속형(숫자형) 컬럼의 기술통계량(describe)을 구하고, 이에 사분위수 범위(IQR),
@@ -2854,3 +2874,119 @@ def summary(data: DataFrame, *fields: str, columns: list = None):
         result = result[columns]
 
     return result
+
+
+# ===================================================================
+# 상관계수 및 효과크기 분석 (Correlation & Effect Size)
+# ===================================================================
+def corr_effect_size(data: DataFrame, dv: str, *fields: str, alpha: float = 0.05) -> DataFrame:
+    """종속변수와의 편상관계수 및 효과크기를 계산한다.
+
+    각 독립변수와 종속변수 간의 상관계수를 계산하되, 정규성과 선형성을 검사하여
+    Pearson 또는 Spearman 상관계수를 적절히 선택한다.
+    Cohen's d (효과크기)를 계산하여 상관 강도를 정량화한다.
+
+    Args:
+        data (DataFrame): 분석 대상 데이터프레임.
+        dv (str): 종속변수 컬럼 이름.
+        *fields (str): 독립변수 컬럼 이름들. 지정하지 않으면 수치형 컬럼 중 dv 제외 모두 사용.
+        alpha (float, optional): 유의수준. 기본 0.05.
+
+    Returns:
+        DataFrame: 다음 컬럼을 포함한 데이터프레임:
+            - Variable (str): 독립변수 이름
+            - Correlation (float): 상관계수 (Pearson 또는 Spearman)
+            - Corr_Type (str): 선택된 상관계수 종류 ('Pearson' 또는 'Spearman')
+            - P-value (float): 상관계수의 유의확률
+            - Cohens_d (float): 표준화된 효과크기
+            - Effect_Size (str): 효과크기 분류 ('Large', 'Medium', 'Small', 'Negligible')
+
+    Examples:
+        >>> from hossam import hs_stats
+        >>> import pandas as pd
+        >>> df = pd.DataFrame({'age': [20, 30, 40, 50],
+        ...                     'bmi': [22, 25, 28, 30],
+        ...                     'charges': [1000, 2000, 3000, 4000]})
+        >>> result = hs_stats.corr_effect_size(df, 'charges', 'age', 'bmi')
+        >>> print(result)
+    """
+
+    # fields가 지정되지 않으면 수치형 컬럼 중 dv 제외 모두 사용
+    if not fields:
+        fields = [col for col in data.columns
+                 if is_numeric_dtype(data[col]) and col != dv]
+
+    # dv가 수치형인지 확인
+    if not is_numeric_dtype(data[dv]):
+        raise ValueError(f"Dependent variable '{dv}' must be numeric type")
+
+    results = []
+
+    for var in fields:
+        if not is_numeric_dtype(data[var]):
+            continue
+
+        # 결측치 제거
+        valid_idx = data[[var, dv]].notna().all(axis=1)
+        x = data.loc[valid_idx, var].values
+        y = data.loc[valid_idx, dv].values
+
+        if len(x) < 3:
+            continue
+
+        # 정규성 검사 (Shapiro-Wilk: n <= 5000 권장, 그 외 D'Agostino)
+        method_x = 's' if len(x) <= 5000 else 'n'
+        method_y = 's' if len(y) <= 5000 else 'n'
+
+        normal_x_result = normal_test(data[[var]], columns=[var], method=method_x)
+        normal_y_result = normal_test(data[[dv]], columns=[dv], method=method_y)
+
+        # 정규성 판정 (p > alpha면 정규분포 가정)
+        normal_x = normal_x_result.loc[var, 'p-val'] > alpha if var in normal_x_result.index else False
+        normal_y = normal_y_result.loc[dv, 'p-val'] > alpha if dv in normal_y_result.index else False
+
+        # Pearson (모두 정규) vs Spearman (하나라도 비정규)
+        if normal_x and normal_y:
+            r, p = pearsonr(x, y)
+            corr_type = 'Pearson'
+        else:
+            r, p = spearmanr(x, y)
+            corr_type = 'Spearman'
+
+        # Cohen's d 계산 (상관계수에서 효과크기로 변환)
+        # d = 2*r / sqrt(1-r^2)
+        if r**2 < 1:
+            d = (2 * r) / np.sqrt(1 - r**2)
+        else:
+            d = 0
+
+        # 효과크기 분류 (Cohen's d 기준)
+        # Small: 0.2 < |d| <= 0.5
+        # Medium: 0.5 < |d| <= 0.8
+        # Large: |d| > 0.8
+        abs_d = abs(d)
+        if abs_d > 0.8:
+            effect_size = 'Large'
+        elif abs_d > 0.5:
+            effect_size = 'Medium'
+        elif abs_d > 0.2:
+            effect_size = 'Small'
+        else:
+            effect_size = 'Negligible'
+
+        results.append({
+            'Variable': var,
+            'Correlation': r,
+            'Corr_Type': corr_type,
+            'P-value': p,
+            'Cohens_d': d,
+            'Effect_Size': effect_size
+        })
+
+    result_df = DataFrame(results)
+
+    # 상관계수로 정렬 (절댓값 기준 내림차순)
+    if len(result_df) > 0:
+        result_df = result_df.sort_values('Correlation', key=lambda x: x.abs(), ascending=False).reset_index(drop=True)
+
+    return result_df

hossam-0.3.17/hossam/mcp/__init__.py

@@ -0,0 +1,12 @@
+# -*- coding: utf-8 -*-
+"""
+Hossam MCP Layer
+
+- 기존 공개 API는 유지하며, MCP 관련 코드는 이 패키지 내부에만 위치합니다.
+- 서버는 명시적 엔트리포인트로만 실행됩니다 (`hossam-mcp`).
+- 각 모듈별 `register(mcp)` 함수를 통해 MCP tool을 등록합니다.
+"""
+
+__all__ = [
+    "server",
+]