hossam 0.4.3__py3-none-any.whl → 0.4.4__py3-none-any.whl

hossam/hs_plot.py

@@ -35,12 +35,12 @@ if pd.__version__ > "2.0.0":
 
 config = SimpleNamespace(
     dpi=200,
-    width=800,
-    height=520,
-    font_size=10,
+    width=600,
+    height=350,
+    font_size=7,
     font_weight="normal",
-    frame_width=0.7,
-    line_width=1.5,
+    frame_width=0.5,
+    line_width=1,
     grid_alpha=0.3,
     grid_width=0.5,
     fill_alpha=0.3
@@ -69,10 +69,13 @@ def get_default_ax(width: int = config.width, height: int = config.height, rows:
     figsize = (width * cols / 100, height * rows / 100)
     fig, ax = plt.subplots(rows, cols, figsize=figsize, dpi=dpi)
 
-    if (rows > 1 or cols > 1) and (ws != None and hs != None):
+    # ax가 배열 (subplots)인지 단일 Axes인지 확인
+    is_array = isinstance(ax, (np.ndarray, list))
+
+    if is_array and (ws != None and hs != None):
         fig.subplots_adjust(wspace=ws, hspace=hs)
 
-    if title:
+    if title and not is_array:
         fig.suptitle(title, fontsize=config.font_size * 1.5, fontweight='bold')
 
     if flatten == True:
@@ -125,11 +128,11 @@ def create_figure(width: int = config.width, height: int = config.height, rows:
 # ===================================================================
 # 그래프의 그리드, 레이아웃을 정리하고 필요 시 저장 또는 표시한다
 # ===================================================================
-def finalize_plot(ax: Axes, callback: any = None, outparams: bool = False, save_path: str = None, grid: bool = True, title: str = None) -> None:
+def finalize_plot(ax: Axes | np.ndarray, callback: any = None, outparams: bool = False, save_path: str = None, grid: bool = True, title: str = None) -> None:
     """공통 후처리를 수행한다: 콜백 실행, 레이아웃 정리, 필요 시 표시/종료.
 
     Args:
-        ax (Axes|ndarray|list): 대상 Axes (단일 Axes 또는 subplots 배열).
+        ax (Axes|np.ndarray): 대상 Axes (단일 Axes 또는 subplots 배열).
         callback (Callable|None): 추가 설정을 위한 사용자 콜백.
         outparams (bool): 내부에서 생성한 Figure인 경우 True.
         save_path (str|None): 이미지 저장 경로. None이 아니면 해당 경로로 저장.
@@ -159,7 +162,7 @@ def finalize_plot(ax: Axes, callback: any = None, outparams: bool = False, save_
 
     plt.tight_layout()
 
-    if title:
+    if title and not is_array:
         ax.set_title(title, fontsize=config.font_size * 1.3, pad=7, fontweight='bold')
 
     if save_path is not None:
@@ -173,12 +176,12 @@ def finalize_plot(ax: Axes, callback: any = None, outparams: bool = False, save_
 # ===================================================================
 # 그래프의 그리드, 레이아웃을 정리하고 필요 시 저장 또는 표시한다
 # ===================================================================
-def show_figure(ax: Axes, callback: any = None, outparams: bool = False, save_path: str = None, grid: bool = True, title: str = None) -> None:
+def show_figure(ax: Axes | np.ndarray, callback: any = None, outparams: bool = False, save_path: str = None, grid: bool = True, title: str = None) -> None:
     """공통 후처리를 수행한다: 콜백 실행, 레이아웃 정리, 필요 시 표시/종료.
     finalize_plot의 래퍼 함수.
 
     Args:
-        ax (Axes|ndarray|list): 대상 Axes (단일 Axes 또는 subplots 배열).
+        ax (Axes|np.ndarray): 대상 Axes (단일 Axes 또는 subplots 배열).
         callback (Callable|None): 추가 설정을 위한 사용자 콜백.
         outparams (bool): 내부에서 생성한 Figure인 경우 True.
         save_path (str|None): 이미지 저장 경로. None이 아니면 해당 경로로 저장.
@@ -1736,7 +1739,7 @@ def ols_residplot(
     y = y_pred + resid  # 실제값 = 적합값 + 잔차
 
     if ax is None:
-        fig, ax = get_default_ax(width, height, 1, 1, dpi)
+        fig, ax = get_default_ax(width + 150 if mse else width, height, 1, 1, dpi)
         outparams = True
 
     # 산점도 직접 그리기 (seaborn.residplot보다 훨씬 빠름)

hossam/hs_prep.py

@@ -158,16 +158,23 @@ def minmax_scaler(
 # ===================================================================
 # 지정된 컬럼들을 범주형 데이터로 설정한다
 # ===================================================================
-def set_category(data: DataFrame, *args: str) -> DataFrame:
+def set_category(data: DataFrame, *args: str, columns: list = None) -> DataFrame:
     """카테고리 데이터를 설정한다.
 
     Args:
         data (DataFrame): 데이터프레임 객체
         *args (str): 컬럼명 목록
+        columns (list, optional): 변환할 컬럼명 목록. args와 중복 사용 불가.
 
     Returns:
         DataFrame: 카테고리 설정된 데이터프레임
     """
+    # columns 인자가 있으면 args보다 우선한다.
+    if columns is not None:
+        if args:
+            raise ValueError("args와 columns 인자는 중복 사용할 수 없습니다.")
+        args = columns
+
     df = data.copy()
 
     for k in args:
@@ -219,7 +226,7 @@ def unmelt(
 # ===================================================================
 # 지정된 변수의 이상치 테이블로 반환한다
 # ===================================================================
-def outlier_table(data: DataFrame, *fields: str) -> DataFrame:
+def outlier_table(data: DataFrame, *fields: str, columns: list = None) -> DataFrame:
     """수치형 컬럼에 대한 사분위수 및 IQR 기반 이상치 경계를 계산한다.
 
     전달된 `fields`가 없으면 데이터프레임의 모든 수치형 컬럼을 대상으로 한다.
@@ -228,6 +235,7 @@ def outlier_table(data: DataFrame, *fields: str) -> DataFrame:
     Args:
         data (DataFrame): 분석할 데이터프레임.
         *fields (str): 대상 컬럼명(들). 생략 시 모든 수치형 컬럼 대상.
+        columns (list, optional): 변환할 컬럼명 목록. args와 중복 사용 불가.
 
     Returns:
         DataFrame: Q1, Q2(중앙값), Q3, IQR, 하한, 상한을 포함한 통계표.
@@ -236,6 +244,11 @@ def outlier_table(data: DataFrame, *fields: str) -> DataFrame:
         from hossam import *
         hs_prep.outlier_table(df, "value")
     """
+    # columns 인자가 있으면 args보다 우선한다.
+    if columns is not None:
+        if args:
+            raise ValueError("args와 columns 인자는 중복 사용할 수 없습니다.")
+        args = columns
 
     target_fields = list(fields) if fields else list(data.select_dtypes(include=[np.number]).columns)
     result = []
@@ -273,7 +286,7 @@ def outlier_table(data: DataFrame, *fields: str) -> DataFrame:
 # ===================================================================
 # 이상치를 대체값(NaN, 0) 또는 중앙값으로 교체한다
 # ===================================================================
-def replace_outliner(data: DataFrame, method: str = "nan", *fields: str) -> DataFrame:
+def replace_outliner(data: DataFrame, method: str = "nan", *fields: str, columns: list = None) -> DataFrame:
     """이상치 경계값을 넘어가는 데이터를 경계값으로 대체한다.
 
     Args:
@@ -285,10 +298,16 @@ def replace_outliner(data: DataFrame, method: str = "nan", *fields: str) -> Data
             - most: 최빈값 대체
             - median: 중앙값 대체
         *fields (str): 컬럼명 목록
+        columns (list, optional): 변환할 컬럼명 목록. args와 중복 사용 불가.
 
     Returns:
         DataFrame: 이상치가 경계값으로 대체된 데이터 프레임
     """
+    # columns 인자가 있으면 args보다 우선한다.
+    if columns is not None:
+        if args:
+            raise ValueError("args와 columns 인자는 중복 사용할 수 없습니다.")
+        args = columns
 
     # 원본 데이터 프레임 복사
     df = data.copy()
@@ -335,16 +354,22 @@ def replace_outliner(data: DataFrame, method: str = "nan", *fields: str) -> Data
 # ===================================================================
 # 중빈 이상치를 제거한 연처리된 데이터프레임을 반환한다
 # ===================================================================
-def drop_outliner(data: DataFrame, *fields: str) -> DataFrame:
+def drop_outliner(data: DataFrame, *fields: str, columns: list = None) -> DataFrame:
     """이상치를 결측치로 변환한 후 모두 삭제한다.
 
     Args:
         data (DataFrame): 데이터프레임
         *fields (str): 컬럼명 목록
+        columns (list, optional): 변환할 컬럼명 목록. args와 중복 사용 불가.
 
     Returns:
         DataFrame: 이상치가 삭제된 데이터프레임
     """
+    # columns 인자가 있으면 args보다 우선한다.
+    if columns is not None:
+        if args:
+            raise ValueError("args와 columns 인자는 중복 사용할 수 없습니다.")
+        args = columns
 
     df = replace_outliner(data, "nan", *fields)
     return df.dropna()
@@ -353,7 +378,7 @@ def drop_outliner(data: DataFrame, *fields: str) -> DataFrame:
 # ===================================================================
 # 범주 변수를 더미 변수(One-Hot 인코딩)로 변환한다
 # ===================================================================
-def get_dummies(data: DataFrame, *args: str, drop_first=True, dtype="int") -> DataFrame:
+def get_dummies(data: DataFrame, *args: str, columns: list = None, drop_first: bool = True, dtype: str = "int") -> DataFrame:
     """명목형 변수를 더미 변수로 변환한다.
 
     컬럼명을 지정하면 그 컬럼들만 더미 변수로 변환하고,
@@ -362,6 +387,7 @@ def get_dummies(data: DataFrame, *args: str, drop_first=True, dtype="int") -> Da
     Args:
         data (DataFrame): 데이터프레임
         *args (str): 변환할 컬럼명 목록. 지정하지 않으면 숫자형이 아닌 모든 컬럼 자동 선택.
+        columns (list, optional): 변환할 컬럼명 목록. args와 중복 사용 불가.
         drop_first (bool, optional): 첫 번째 더미 변수 제거 여부. 기본값 True.
         dtype (str, optional): 더미 변수 데이터 타입. 기본값 "int".
 
@@ -379,6 +405,12 @@ def get_dummies(data: DataFrame, *args: str, drop_first=True, dtype="int") -> Da
         result = hs_prep.get_dummies(df, 'col1', drop_first=False, dtype='bool')
         ```
     """
+    # columns 인자가 있으면 args보다 우선한다.
+    if columns is not None:
+        if args:
+            raise ValueError("args와 columns 인자는 중복 사용할 수 없습니다.")
+        args = columns
+
     if not args:
         # args가 없으면 숫자 타입이 아닌 모든 컬럼 자동 선택
         cols_to_convert = []

hossam/hs_stats.py

@@ -1,5 +1,7 @@
 # -*- coding: utf-8 -*-
+
 from __future__ import annotations
+from typing import overload, Tuple, Literal, Union
 
 # -------------------------------------------------------------
 import numpy as np
@@ -28,6 +30,7 @@ from scipy.stats import (
     wilcoxon,
     pearsonr,
     spearmanr,
+    chi2
 )
 
 import statsmodels.api as sm
@@ -36,10 +39,71 @@ from statsmodels.stats.outliers_influence import variance_inflation_factor
 from statsmodels.stats.multitest import multipletests
 from statsmodels.stats.stattools import durbin_watson
 from statsmodels.regression.linear_model import RegressionResultsWrapper
+from statsmodels.discrete.discrete_model import BinaryResultsWrapper
 from statsmodels.discrete.discrete_model import BinaryResults
 
 from pingouin import anova, pairwise_tukey, welch_anova, pairwise_gameshowell
 
+from .hs_plot import ols_residplot, ols_qqplot
+
+# ===================================================================
+# MCAR(결측치 무작위성) 검정
+# ===================================================================
+def mcar_test(data: DataFrame, columns: list | str | None = None) -> DataFrame:
+    if isinstance(columns, str):
+        columns = [c.strip() for c in columns.split(",")]
+
+    cols = data.columns if columns is None else columns
+    df = data[cols]
+
+    # 결측치가 있는 컬럼만 사용
+    cols_with_na = [c for c in df.columns if df[c].isna().any()]
+    if len(cols_with_na) < 2:
+        raise ValueError("MCAR 검정은 결측치가 있는 변수가 최소 2개 이상 필요합니다.")
+
+    X = df[cols_with_na].to_numpy()
+    n, p = X.shape
+
+    # complete cases로 평균·공분산 추정
+    complete = ~np.isnan(X).any(axis=1)
+    if complete.sum() < p + 1:
+        raise ValueError("완전관측치(complete cases)가 부족하여 MCAR 검정을 수행할 수 없습니다.")
+
+    mu = X[complete].mean(axis=0)
+    S = np.cov(X[complete], rowvar=False)
+    S_inv = np.linalg.pinv(S)
+
+    chi_sq = 0.0
+    dfree = 0
+
+    for i in range(n):
+        obs = ~np.isnan(X[i])
+        if obs.sum() == p:
+            continue  # complete case는 제외
+        diff = X[i, obs] - mu[obs]
+        S_obs = S[np.ix_(obs, obs)]
+        S_obs_inv = np.linalg.pinv(S_obs)
+
+        chi_sq += diff @ S_obs_inv @ diff
+        dfree += obs.sum()
+
+    dfree -= p  # Little's adjustment
+
+    p_value = 1 - chi2.cdf(chi_sq, dfree)
+    is_mcar = p_value > 0.05
+
+    return DataFrame([{
+        "statistic": chi_sq,
+        "dof": dfree,
+        "p-value": p_value,
+        "is_mcar": is_mcar,
+        "interpretation": (
+            "결측치는 완전 무작위(MCAR)로 판단됨 → 결측치 삭제 가능"
+            if is_mcar else
+            "결측치는 완전 무작위(MCAR)가 아님 → 삭제 시 편향 가능"
+        )
+    }])
+
 # ===================================================================
 # 결측치 분석 (Missing Values Analysis)
 # ===================================================================
@@ -219,6 +283,8 @@ def describe(data: DataFrame, *fields: str, columns: list | None = None):
             행은 다음과 같은 통계량을 포함:
 
             - count (float): 비결측치의 수
+            - na_count (int): 결측치의 수
+            - na_rate (float): 결측치 비율(%)
             - mean (float): 평균값
             - std (float): 표준편차
             - min (float): 최소값
@@ -267,9 +333,13 @@ def describe(data: DataFrame, *fields: str, columns: list | None = None):
 
     # 기술통계량 구하기
     desc = data[list(fields)].describe().T
-    # 각 컬럼별 결측치 수(null_count) 추가
-    null_counts = data[list(fields)].isnull().sum()
-    desc.insert(1, 'null_count', null_counts)
+
+    # 각 컬럼별 결측치 수(na_count) 추가
+    na_counts = data[list(fields)].isnull().sum()
+    desc.insert(1, 'na_count', na_counts)
+
+    # 결측치 비율(na_rate) 추가
+    desc.insert(2, 'na_rate', (na_counts / len(data)) * 100)
 
     # 추가 통계량 계산
     additional_stats = []
@@ -1192,7 +1262,10 @@ def trend(x: any, y: any, degree: int = 1, value_count: int = 100) -> Tuple[np.n
 # ===================================================================
 # 선형회귀 요약 리포트
 # ===================================================================
-def ols_report(fit, data, full=False, alpha=0.05):
+def ols_report(fit, data, full=False, alpha=0.05) -> Union[
+    Tuple[DataFrame, DataFrame],
+    Tuple[DataFrame, DataFrame, str, str, list[str], str]
+]:
     """선형회귀 적합 결과를 요약 리포트로 변환한다.
 
     Args:
@@ -1211,6 +1284,7 @@ def ols_report(fit, data, full=False, alpha=0.05):
             - 회귀식 문자열 (`equation_text`, str): 상수항과 계수를 포함한 회귀식 표현.
 
         full=False일 때:
+            - 성능 지표 표 (`pdf`, DataFrame): R, R², Adj. R², F, p-value, Durbin-Watson.
             - 회귀계수 표 (`rdf`, DataFrame)
 
     Examples:
@@ -1378,7 +1452,19 @@ def ols_report(fit, data, full=False, alpha=0.05):
 # ===================================================================
 # 선형회귀
 # ===================================================================
-def ols(df: DataFrame, yname: str, report=False):
+def ols(df: DataFrame, yname: str, report: bool | str | int = False) -> Union[
+    RegressionResultsWrapper,
+    Tuple[RegressionResultsWrapper, DataFrame, DataFrame],
+    Tuple[
+        RegressionResultsWrapper,
+        DataFrame,
+        DataFrame,
+        str,
+        str,
+        list[str],
+        str
+    ]
+]:
     """선형회귀분석을 수행하고 적합 결과를 반환한다.
 
     OLS(Ordinary Least Squares) 선형회귀분석을 실시한다.
@@ -1387,7 +1473,7 @@ def ols(df: DataFrame, yname: str, report=False):
     Args:
         df (DataFrame): 종속변수와 독립변수를 모두 포함한 데이터프레임.
         yname (str): 종속변수 컬럼명.
-        report: 리포트 모드 설정. 다음 값 중 하나:
+        report (bool | str | int): 리포트 모드 설정. 다음 값 중 하나:
             - False (기본값): 리포트 미사용. fit 객체만 반환.
             - 1 또는 'summary': 요약 리포트 반환 (full=False).
             - 2 또는 'full': 풀 리포트 반환 (full=True).
@@ -1426,10 +1512,10 @@ def ols(df: DataFrame, yname: str, report=False):
         fit = hs_stats.ols(df, 'target')
 
         # 요약 리포트 반환
-        fit, pdf, rdf = hs_stats.ols(df, 'target', report=1)
+        fit, pdf, rdf = hs_stats.ols(df, 'target', report='summary')
 
         # 풀 리포트 반환
-        fit, pdf, rdf, result_report, model_report, var_reports, eq = hs_stats.ols(df, 'target', report=2)
+        fit, pdf, rdf, result_report, model_report, var_reports, eq = hs_stats.ols(df, 'target', report='full')
         ```
     """
     x = df.drop(yname, axis=1)
@@ -1459,15 +1545,31 @@ def ols(df: DataFrame, yname: str, report=False):
 # ===================================================================
 # 로지스틱 회귀 요약 리포트
 # ===================================================================
-def logit_report(fit, data, threshold=0.5, full=False, alpha=0.05):
+def logit_report(
+    fit: BinaryResultsWrapper,
+    data: DataFrame,
+    threshold: float = 0.5,
+    full: Union[bool, str, int] = False,
+    alpha: float = 0.05
+) -> Union[
+    Tuple[DataFrame, DataFrame],
+    Tuple[
+        DataFrame,
+        DataFrame,
+        str,
+        str,
+        list[str],
+        np.ndarray
+    ]
+]:
     """로지스틱 회귀 적합 결과를 상세 리포트로 변환한다.
 
     Args:
         fit: statsmodels Logit 결과 객체 (`fit.summary()`와 예측 확률을 지원해야 함).
-        data: 종속변수와 독립변수를 모두 포함한 DataFrame.
-        threshold: 예측 확률을 이진 분류로 변환할 임계값. 기본값 0.5.
-        full: True이면 6개 값 반환, False이면 주요 2개(cdf, rdf)만 반환. 기본값 False.
-        alpha: 유의수준. 기본값 0.05.
+        data (DataFrame): 종속변수와 독립변수를 모두 포함한 DataFrame.
+        threshold (float): 예측 확률을 이진 분류로 변환할 임계값. 기본값 0.5.
+        full (bool | str | int): True이면 6개 값 반환, False이면 주요 2개(cdf, rdf)만 반환. 기본값 False.
+        alpha (float): 유의수준. 기본값 0.05.
 
     Returns:
         tuple: full=True일 때 다음 요소를 포함한다.
@@ -1652,7 +1754,25 @@ def logit_report(fit, data, threshold=0.5, full=False, alpha=0.05):
 # ===================================================================
 # 로지스틱 회귀
 # ===================================================================
-def logit(df: DataFrame, yname: str, report=False):
+def logit(
+    df: DataFrame,
+    yname: str,
+    report: Union[bool, str, int] = False
+) -> Union[
+    BinaryResultsWrapper,
+    Tuple[
+        BinaryResultsWrapper,
+        DataFrame
+    ],
+    Tuple[
+        BinaryResultsWrapper,
+        DataFrame,
+        DataFrame,
+        str,
+        str,
+        List[str]
+    ]
+]:
     """로지스틱 회귀분석을 수행하고 적합 결과를 반환한다.
 
     종속변수가 이항(binary) 형태일 때 로지스틱 회귀분석을 실시한다.
@@ -1734,7 +1854,7 @@ def logit(df: DataFrame, yname: str, report=False):
 # ===================================================================
 # 선형성 검정 (Linearity Test)
 # ===================================================================
-def ols_linearity_test(fit, power: int = 2, alpha: float = 0.05) -> DataFrame:
+def ols_linearity_test(fit, power: int = 2, alpha: float = 0.05, plot: bool = False, title: str = None, save_path: str = None) -> DataFrame:
     """회귀모형의 선형성을 Ramsey RESET 검정으로 평가한다.
 
     적합된 회귀모형에 대해 Ramsey RESET(Regression Specification Error Test) 검정을 수행하여
@@ -1747,6 +1867,9 @@ def ols_linearity_test(fit, power: int = 2, alpha: float = 0.05) -> DataFrame:
                                power=2일 때 예측값의 제곱항이 추가됨.
                                power가 클수록 더 높은 차수의 비선형성을 감지.
         alpha (float, optional): 유의수준. 기본값 0.05.
+        plot (bool, optional): True이면 잔차 플롯을 출력. 기본값 False.
+        title (str, optional): 플롯 제목. 기본값 None.
+        save_path (str, optional): 플롯을 저장할 경로. 기본값 None
 
     Returns:
         DataFrame: 선형성 검정 결과를 포함한 데이터프레임.
@@ -1829,13 +1952,16 @@ def ols_linearity_test(fit, power: int = 2, alpha: float = 0.05) -> DataFrame:
         "해석": [interpretation]
     })
 
+    if plot:
+        ols_residplot(fit, lowess=True, mse=True, title=title, save_path=save_path)
+
     return result_df
 
 
 # ===================================================================
 # 정규성 검정 (Normality Test)
 # ===================================================================
-def ols_normality_test(fit, alpha: float = 0.05) -> DataFrame:
+def ols_normality_test(fit, alpha: float = 0.05, plot: bool = False, title: str = None, save_path: str = None) -> DataFrame:
     """회귀모형 잔차의 정규성을 검정한다.
 
     회귀모형의 잔차가 정규분포를 따르는지 Shapiro-Wilk 검정과 Jarque-Bera 검정으로 평가한다.
@@ -1844,6 +1970,9 @@ def ols_normality_test(fit, alpha: float = 0.05) -> DataFrame:
     Args:
         fit: 회귀 모형 객체 (statsmodels의 RegressionResultsWrapper).
         alpha (float, optional): 유의수준. 기본값 0.05.
+        plot (bool, optional): True이면 Q-Q 플롯을 출력. 기본값 False.
+        title (str, optional): 플롯 제목. 기본값 None.
+        save_path (str, optional): 플롯을 저장할 경로. 기본값 None
 
     Returns:
         DataFrame: 정규성 검정 결과를 포함한 데이터프레임.
@@ -1922,6 +2051,10 @@ def ols_normality_test(fit, alpha: float = 0.05) -> DataFrame:
     if not results:
         raise ValueError("정규성 검정을 수행할 수 없습니다.")
 
+
+    if plot:
+        ols_qqplot(fit, title=title, save_path=save_path)
+
     result_df = DataFrame(results)
     return result_df
 

{hossam-0.4.3.dist-info → hossam-0.4.4.dist-info}/METADATA

@@ -1,6 +1,6 @@
 Metadata-Version: 2.4
 Name: hossam
-Version: 0.4.3
+Version: 0.4.4
 Summary: Hossam Data Helper
 Author-email: Lee Kwang-Ho <leekh4232@gmail.com>
 License-Expression: MIT

{hossam-0.4.3.dist-info → hossam-0.4.4.dist-info}/RECORD

@@ -3,14 +3,14 @@ hossam/__init__.py,sha256=OkMeP15jt6aCy7QNXMtkO0YRVvgOQYumkb7GuVKrbcs,2712
 hossam/data_loader.py,sha256=oUIsqbHQoRiHA_1tdElDaYo1ipmUB5fYSXYMB5gLOl0,6395
 hossam/hs_classroom.py,sha256=rgayol3U5PSo4rLfdbClfiAtG21bFrASaSW56PUsjus,27144
 hossam/hs_gis.py,sha256=DLogaf5nxJBbG-d8QoH2g8UfZ1omMtmEXDYgNg8jtT0,11410
-hossam/hs_plot.py,sha256=A_nS8dP4cijp7LZs253SWxfBUp5qvvTlSPGKjDj0BIA,83712
-hossam/hs_prep.py,sha256=2ptFFxV4G1IFmy-B89TqXaPkA8jROZutr2XIkaXNHW4,36006
-hossam/hs_stats.py,sha256=qAor-RE5qNsytoZW1mriK3yql9PVif5bBGyG64YC2PM,110780
+hossam/hs_plot.py,sha256=tsJMi2q9SzHRSs25dXsHkkImW-Jk7su1M6TbKwX9koU,83887
+hossam/hs_prep.py,sha256=ocZNGzHzqgasVNLcb_LClTZaAeTYiIg4mzrixeEzBQU,37693
+hossam/hs_stats.py,sha256=LpUG8U9ybnh6qSMW2SKCSDJZTeMhLH2xH2Pj4i7U6TU,114889
 hossam/hs_timeserise.py,sha256=gSj3cPgOGLOZEXhfW1anXbwpoJja847ZY9F8l9piJPE,42601
 hossam/hs_util.py,sha256=8byLj_VR93vS__lyf0xgQKArgMy9qFm2VvZVSCxfQX0,8444
 hossam/leekh.png,sha256=1PB5NQ24SDoHA5KMiBBsWpSa3iniFcwFTuGwuOsTHfI,6395
-hossam-0.4.3.dist-info/licenses/LICENSE,sha256=nIqzhlcFY_2D6QtFsYjwU7BWkafo-rUJOQpDZ-DsauI,941
-hossam-0.4.3.dist-info/METADATA,sha256=0VAI5TJKWSFwZriKBYnf5a4MSB5cdOLUh9lV_vYDPJY,3676
-hossam-0.4.3.dist-info/WHEEL,sha256=_zCd3N1l69ArxyTb8rzEoP9TpbYXkqRFSNOD5OuxnTs,91
-hossam-0.4.3.dist-info/top_level.txt,sha256=_-7bwjhthHplWhywEaHIJX2yL11CQCaLjCNSBlk6wiQ,7
-hossam-0.4.3.dist-info/RECORD,,
+hossam-0.4.4.dist-info/licenses/LICENSE,sha256=nIqzhlcFY_2D6QtFsYjwU7BWkafo-rUJOQpDZ-DsauI,941
+hossam-0.4.4.dist-info/METADATA,sha256=R6qOrcnZhbTzUrRK2x9vNksDjw8rVK1DVZrbRIPSPQQ,3676
+hossam-0.4.4.dist-info/WHEEL,sha256=_zCd3N1l69ArxyTb8rzEoP9TpbYXkqRFSNOD5OuxnTs,91
+hossam-0.4.4.dist-info/top_level.txt,sha256=_-7bwjhthHplWhywEaHIJX2yL11CQCaLjCNSBlk6wiQ,7
+hossam-0.4.4.dist-info/RECORD,,