ml-sfa 0.1.0__tar.gz

ml_sfa-0.1.0/.env.example

@@ -0,0 +1,10 @@
+# ML-SFA Environment Variables
+# Copy this file to .env and fill in values
+
+# Data paths
+DATA_DIR=./data
+OUTPUT_DIR=./outputs
+
+# Training
+RANDOM_SEED=42
+DEVICE=cpu

ml_sfa-0.1.0/.githooks/pre-commit

@@ -0,0 +1,18 @@
+#!/usr/bin/env bash
+# Pre-commit hook: runs ruff check + format on staged .py files
+# Activate: git config core.hooksPath .githooks
+
+set -e
+
+STAGED=$(git diff --cached --name-only --diff-filter=ACM | grep '\.py$' || true)
+
+if [ -z "$STAGED" ]; then
+    exit 0
+fi
+
+echo "Running ruff check on staged files..."
+uv run ruff check $STAGED
+echo "Running ruff format check on staged files..."
+uv run ruff format --check $STAGED
+
+echo "Pre-commit checks passed."

ml_sfa-0.1.0/.github/workflows/auto-release.yml

@@ -0,0 +1,55 @@
+name: Auto Release
+
+on:
+  pull_request:
+    types: [closed]
+    branches: [main]
+
+jobs:
+  tag-and-release:
+    if: github.event.pull_request.merged == true && startsWith(github.event.pull_request.title, 'release:')
+    runs-on: ubuntu-latest
+    permissions:
+      contents: write
+    steps:
+      - uses: actions/checkout@v4
+        with:
+          fetch-depth: 0
+
+      - name: Extract version from PR title
+        id: version
+        run: |
+          TITLE="${{ github.event.pull_request.title }}"
+          VERSION=$(echo "$TITLE" | grep -oP 'v\d+\.\d+\.\d+')
+          echo "tag=$VERSION" >> "$GITHUB_OUTPUT"
+          echo "Extracted version: $VERSION"
+
+      - name: Validate tag does not exist
+        run: |
+          if git rev-parse "${{ steps.version.outputs.tag }}" >/dev/null 2>&1; then
+            echo "::error::Tag ${{ steps.version.outputs.tag }} already exists"
+            exit 1
+          fi
+
+      - name: Extract release notes from CHANGELOG
+        id: notes
+        run: |
+          TAG="${{ steps.version.outputs.tag }}"
+          VER="${TAG#v}"
+          NOTES=$(awk "/^## \[${VER}\]/{flag=1; next} /^## \[/{flag=0} flag" CHANGELOG.md)
+          echo "notes<<EOFNOTES" >> "$GITHUB_OUTPUT"
+          echo "$NOTES" >> "$GITHUB_OUTPUT"
+          echo "EOFNOTES" >> "$GITHUB_OUTPUT"
+
+      - name: Create tag
+        run: |
+          git tag "${{ steps.version.outputs.tag }}"
+          git push origin "${{ steps.version.outputs.tag }}"
+
+      - name: Create GitHub Release
+        env:
+          GH_TOKEN: ${{ github.token }}
+        run: |
+          gh release create "${{ steps.version.outputs.tag }}" \
+            --title "${{ steps.version.outputs.tag }}" \
+            --notes "${{ steps.notes.outputs.notes }}"

ml_sfa-0.1.0/.github/workflows/ci.yml

@@ -0,0 +1,51 @@
+name: CI
+
+on:
+  pull_request:
+    branches: [main, develop]
+  push:
+    branches: [main]
+
+jobs:
+  quality:
+    runs-on: ubuntu-latest
+    strategy:
+      matrix:
+        python-version: ["3.11", "3.12"]
+    steps:
+      - uses: actions/checkout@v4
+        with:
+          fetch-depth: 0
+      - uses: astral-sh/setup-uv@v5
+        with:
+          version: "latest"
+      - run: uv python install ${{ matrix.python-version }}
+      - run: uv sync --frozen --dev
+      - run: uv run ruff check .
+      - run: uv run ruff format --check .
+      - run: uv run mypy src/ml_sfa/
+      - name: Run tests
+        run: |
+          if [ "${{ github.base_ref }}" = "main" ] || [ "${{ github.ref }}" = "refs/heads/main" ]; then
+            uv run pytest -m "" --cov=ml_sfa --cov-fail-under=80 -q
+          else
+            uv run pytest --cov=ml_sfa --cov-fail-under=80 -q
+          fi
+
+  distribution:
+    runs-on: ubuntu-latest
+    steps:
+      - uses: actions/checkout@v4
+        with:
+          fetch-depth: 0
+      - uses: astral-sh/setup-uv@v5
+        with:
+          version: "latest"
+      - run: uv python install 3.11
+      - run: uv sync --frozen --dev
+      - run: uv build
+      - run: uv run twine check dist/*
+      - name: Smoke test
+        run: |
+          pip install dist/*.whl
+          python -c "from ml_sfa import __version__; print('import ok:', __version__)"

ml_sfa-0.1.0/.github/workflows/release.yml

@@ -0,0 +1,52 @@
+name: Release
+
+on:
+  push:
+    tags: ["v*"]
+
+jobs:
+  build:
+    runs-on: ubuntu-latest
+    steps:
+      - uses: actions/checkout@v4
+        with:
+          fetch-depth: 0
+      - uses: astral-sh/setup-uv@v5
+        with:
+          version: "latest"
+      - run: uv python install 3.11
+      - run: uv sync --frozen --dev
+      - run: uv build
+      - run: uv run twine check dist/*
+      - uses: actions/upload-artifact@v4
+        with:
+          name: dist
+          path: dist/
+
+  publish-testpypi:
+    needs: build
+    runs-on: ubuntu-latest
+    environment: testpypi
+    permissions:
+      id-token: write
+    steps:
+      - uses: actions/download-artifact@v4
+        with:
+          name: dist
+          path: dist/
+      - uses: pypa/gh-action-pypi-publish@release/v1
+        with:
+          repository-url: https://test.pypi.org/legacy/
+
+  publish-pypi:
+    needs: publish-testpypi
+    runs-on: ubuntu-latest
+    environment: pypi
+    permissions:
+      id-token: write
+    steps:
+      - uses: actions/download-artifact@v4
+        with:
+          name: dist
+          path: dist/
+      - uses: pypa/gh-action-pypi-publish@release/v1

ml_sfa-0.1.0/.gitignore

@@ -0,0 +1,66 @@
+# Python
+__pycache__/
+*.py[cod]
+*$py.class
+*.egg-info/
+dist/
+build/
+*.egg
+
+# Auto-generated by hatch-vcs (never edit manually)
+src/ml_sfa/_version.py
+
+# Virtual environments
+.venv/
+venv/
+env/
+
+# IDE
+.vscode/
+.idea/
+*.swp
+*.swo
+
+# Jupyter
+.ipynb_checkpoints/
+
+# Testing
+.coverage
+htmlcov/
+.pytest_cache/
+
+# mypy
+.mypy_cache/
+
+# ruff
+.ruff_cache/
+
+# Environment
+.env
+
+# OS
+.DS_Store
+Thumbs.db
+
+# Data (large files)
+data/raw/
+data/processed/
+*.csv
+*.parquet
+!configs/*.csv
+
+# Models
+*.pt
+*.pth
+*.pkl
+
+# AI
+.ai_settings/
+.agent/
+.agents/
+.claude/
+.codex/
+.gemini/
+AGENTS.md
+CLAUDE.md
+GEMINI.md

ml_sfa-0.1.0/BLUEPRINT.md

@@ -0,0 +1,361 @@
+# ML-SFA 設計図 (Blueprint)
+
+## 1. プロジェクト概要
+
+### 目的
+
+ML手法を用いた確率的フロンティア分析 (Stochastic Frontier Analysis) のPythonライブラリを構築する。
+従来のパラメトリックSFAの制約（関数形依存・分布仮定への感度）をML技術で緩和し、
+scikit-learn互換APIで提供する。
+
+### 背景: 従来のSFA
+
+SFAは Aigner, Lovell, Schmidt (1977) および Meeusen, van den Broeck (1977) が提案した手法で、
+生産フロンティアからの乖離を **ノイズ (v)** と **非効率性 (u)** に分解する:
+
+```
+y_i = f(x_i; β) + v_i - u_i
+```
+
+- `f(x_i; β)`: 決定論的フロンティア（Cobb-Douglas, translog等）
+- `v_i ~ N(0, σ_v²)`: 対称ノイズ（測定誤差、確率的ショック）
+- `u_i ≥ 0`: 片側非効率性（half-normal, truncated normal, exponential等）
+- 技術的効率性: `TE_i = exp(-u_i)`
+
+**従来手法の限界:**
+1. フロンティア関数形への依存（Cobb-Douglas vs translog で結果が変わる）
+2. 非効率性の分布仮定への感度
+3. 複雑な非線形投入・産出関係を捉えられない
+4. v と u の分離が分布仮定に完全依存（脆弱な識別）
+
+### 既存実装の空白
+
+| パッケージ | 特徴 | 欠落 |
+|-----------|------|------|
+| pySFA | 基本的MLE (half-normal のみ) | ML拡張なし、パネルなし |
+| FronPy | 6分布サポート | 線形フロンティアのみ |
+| SFMA | B-spline + shape制約 | メタ分析特化 |
+| pyStoNED | CNLS + SFA分解 | ML手法なし |
+
+**→ ML-SFA が埋めるギャップ:**
+- scikit-learn互換APIのSFAライブラリ
+- NN / GP / BART 等によるノンパラメトリックフロンティア
+- 経済学的shape制約（単調性・凹性）
+- パネルデータ対応
+- 不確実性定量化
+
+---
+
+## 2. アーキテクチャ
+
+### 2.1 全体構成
+
+```
+ml_sfa/
+├── models/
+│   ├── base.py            # 基底クラス (BaseSFAEstimator)
+│   ├── parametric.py      # 伝統的パラメトリックSFA
+│   ├── nn_frontier.py     # ニューラルネットワークSFA
+│   ├── gp_frontier.py     # ガウス過程SFA
+│   └── kernel_frontier.py # カーネルSFA
+├── data/
+│   ├── loader.py          # データ読み込み・検証
+│   ├── preprocessor.py    # 前処理パイプライン
+│   └── simulator.py       # シミュレーションデータ生成
+├── evaluation/
+│   ├── metrics.py         # 効率性・モデル評価指標
+│   └── comparison.py      # モデル比較フレームワーク
+└── utils/
+    ├── distributions.py   # 非効率性分布 (half-normal, truncated normal, etc.)
+    └── constraints.py     # Shape制約 (単調性, 凹性)
+```
+
+### 2.2 クラス階層
+
+```
+sklearn.base.BaseEstimator
+└── BaseSFAEstimator (ABC)
+    ├── fit(X, y) → self
+    ├── predict(X) → y_hat (フロンティア予測)
+    ├── efficiency(X, y) → TE (技術的効率性)
+    ├── get_inefficiency(X, y) → u_hat
+    ├── get_noise(X, y) → v_hat
+    ├── log_likelihood() → float
+    ├── summary() → SFASummary
+    │
+    ├── ParametricSFA
+    │   ├── frontier_type: "cobb-douglas" | "translog"
+    │   └── inefficiency_dist: "half-normal" | "truncated-normal" | "exponential"
+    │
+    ├── NNFrontierSFA
+    │   ├── フロンティア: MLP / RBF ネットワーク
+    │   └── 誤差分解: MLE (2段階) or 同時推定
+    │
+    ├── GPFrontierSFA
+    │   ├── フロンティア: ガウス過程回帰 (GPyTorch)
+    │   └── 単調性: virtual derivative observations
+    │
+    └── KernelSFA
+        ├── フロンティア: Nadaraya-Watson / 局所多項式
+        └── 誤差分解: 局所MLE or 2段階
+```
+
+### 2.3 データフロー
+
+```
+入力データ (X, y)
+    │
+    ▼
+[前処理] → 標準化, 対数変換, 欠損値処理
+    │
+    ▼
+[フロンティア推定] → f̂(X) をML手法で推定
+    │                  (shape制約: 単調増加, 凹性)
+    ▼
+[残差計算] → ε̂_i = y_i - f̂(x_i)
+    │
+    ▼
+[誤差分解] → ε̂ = v̂ - û
+    │          (分布仮定 or ノンパラメトリック)
+    ▼
+[効率性推定] → TE_i = exp(-û_i)
+    │            E[u_i | ε_i] (Jondrow et al. 1982)
+    ▼
+出力: TE, û, v̂, f̂(X), モデル診断
+```
+
+---
+
+## 3. モデル設計
+
+### Phase 1: 基盤 (ParametricSFA)
+
+従来のパラメトリックSFAをscikit-learn APIで実装する。
+これが全MLモデルのベンチマーク基準となる。
+
+**仕様:**
+- フロンティア関数: Cobb-Douglas, Translog
+- 非効率性分布: Half-normal, Truncated normal, Exponential
+- 推定: MLE (scipy.optimize + 解析的勾配)
+- 効率性推定: Jondrow et al. (1982) 条件付き期待値
+- パネルデータ: 固定効果, ランダム効果 (将来)
+
+**核心となる対数尤度 (half-normal ケース):**
+```
+ln L = const - N ln σ + Σ[ ln Φ(-ε_i λ/σ) - ε_i²/(2σ²) ]
+
+σ² = σ_v² + σ_u²,  λ = σ_u / σ_v
+```
+
+### Phase 2: ニューラルネットワークSFA (NNFrontierSFA)
+
+**アプローチ A: 2段階NN-SFA** (Kutlu 2024 に基づく)
+1. Stage 1: MLPでフロンティア `f̂(x)` を推定（単調性制約付き）
+2. Stage 2: 残差に対してパラメトリック誤差分解
+
+**アプローチ B: 同時推定** (Tsionas et al. 2023 に基づく)
+- フロンティアNNと誤差分解を同時最適化
+- カスタム損失関数にSFA対数尤度を埋め込む
+- PyTorch autograd で勾配計算
+
+**アプローチ C: 構造化NN** (xNN-SF, Zhao 2024 に基づく)
+- SFA分解構造をネットワークアーキテクチャに反映
+- フロンティア・非効率性・ノイズの3サブネット
+- 単調性制約をアーキテクチャレベルで強制
+
+**単調性制約の実装方法:**
+- 重み非負制約 + 活性化関数の制約
+- ペナルティ項: `λ * max(0, -∂f/∂x_j)²`
+- Input convex neural networks (ICNN) の応用
+
+### Phase 3: ガウス過程SFA (GPFrontierSFA)
+
+**アプローチ:** GPyTorch を活用した確率的フロンティア推定
+- カーネル: Matérn 5/2 or RBF（フロンティアの滑らかさに応じて選択）
+- 単調性: 仮想微分観測 (virtual derivative observations)
+- 利点: 自然な不確実性定量化、小〜中規模データに最適
+- 誤差分解: カスタム尤度関数（GPyTorchのカスタムLikelihood）
+
+### Phase 4: カーネルSFA (KernelSFA)
+
+**アプローチ:** Fan, Li, Weersink (1996) / Kumbhakar et al. (2007)
+- Nadaraya-Watson推定量 or 局所多項式回帰
+- 局所最尤推定: 各点でカーネル重み付きSFA対数尤度を最大化
+- バンド幅選択: leave-one-out クロスバリデーション
+
+---
+
+## 4. 共通コンポーネント
+
+### 4.1 非効率性分布 (`distributions.py`)
+
+```python
+class InefficiencyDistribution(Protocol):
+    def log_pdf(self, u: NDArray) -> NDArray: ...
+    def cdf(self, u: NDArray) -> NDArray: ...
+    def conditional_mean(self, epsilon: NDArray, sigma_v: float, sigma_u: float) -> NDArray: ...
+    def conditional_mode(self, epsilon: NDArray, sigma_v: float, sigma_u: float) -> NDArray: ...
+
+# 実装: HalfNormal, TruncatedNormal, Exponential
+```
+
+### 4.2 Shape制約 (`constraints.py`)
+
+```python
+class MonotonicityConstraint:
+    """∂f/∂x_j ≥ 0 を強制（生産関数の単調増加性）"""
+
+class ConcavityConstraint:
+    """∂²f/∂x_j² ≤ 0 を強制（限界生産力逓減）"""
+```
+
+### 4.3 シミュレーションデータ (`simulator.py`)
+
+モデル検証用のDGP（データ生成過程）:
+- Cobb-Douglas DGP（ベースライン）
+- Translog DGP
+- 非線形フロンティアDGP（MLの優位性を示す）
+- パネルデータDGP
+
+```python
+def simulate_sfa(
+    n_obs: int,
+    n_inputs: int,
+    frontier_type: str,  # "cobb-douglas" | "translog" | "nonlinear"
+    inefficiency_dist: str,  # "half-normal" | "truncated-normal"
+    sigma_v: float,
+    sigma_u: float,
+    seed: int,
+) -> SFADataset:
+    """シミュレーションデータを生成"""
+```
+
+### 4.4 評価指標 (`metrics.py`)
+
+| 指標 | 説明 |
+|------|------|
+| RMSE(TE) | 真のTE vs 推定TEのRMSE |
+| Rank correlation | 効率性ランキングのSpearman相関 |
+| Log-likelihood | 対数尤度 |
+| AIC / BIC | モデル選択基準 |
+| Coverage | 信頼区間のカバー率 |
+| Frontier MSE | フロンティア関数の推定精度 |
+
+---
+
+## 5. 実装ロードマップ
+
+### Phase 1: ParametricSFA + 基盤 (MVP)
+- [ ] `BaseSFAEstimator` 基底クラス
+- [ ] `InefficiencyDistribution` (half-normal, truncated-normal, exponential)
+- [ ] `ParametricSFA` (Cobb-Douglas + half-normal)
+- [ ] `simulator.py` (Cobb-Douglas DGP)
+- [ ] 評価指標 (RMSE, rank correlation)
+- [ ] ベンチマーク: pySFA / statsmodels との比較
+
+### Phase 2: NNFrontierSFA
+- [ ] 2段階NN-SFA (MLP frontier + parametric decomposition)
+- [ ] 単調性制約 (penalty-based)
+- [ ] 同時推定NN-SFA (custom loss)
+- [ ] 非線形DGPでのベンチマーク
+
+### Phase 3: GPFrontierSFA
+- [ ] GPyTorchベースのフロンティア推定
+- [ ] カスタムSFA尤度
+- [ ] 効率性の事後分布
+
+### Phase 4: KernelSFA + 比較
+- [ ] 局所多項式SFA
+- [ ] 全モデルの体系的比較
+- [ ] 論文用の実験設計
+
+---
+
+## 6. 技術的課題と対策
+
+### 6.1 誤差分解の識別問題
+
+**問題:** MLフロンティアが柔軟すぎると、非効率性 u を吸収してしまう。
+
+**対策:**
+- Shape制約（単調性・凹性）でフロンティアの過適合を防ぐ
+- 正則化パラメータのCV選択
+- シミュレーション実験で分解精度を検証
+- パネルデータの時間構造を活用
+
+### 6.2 計算コスト
+
+**問題:** GP (O(N³)), MCMC, 大規模NNの計算量。
+
+**対策:**
+- GP: 変分推論, inducing points (GPyTorchのScalableGP)
+- NN: ミニバッチ学習, GPU活用 (PyTorch)
+- 中規模データ (N < 10,000) をまず対象
+
+### 6.3 経済学的解釈性の保持
+
+**問題:** MLモデルはブラックボックスになりがち。
+
+**対策:**
+- 部分依存プロット (PDP)
+- 弾力性推定: `∂ln f / ∂ln x_j` の計算
+- 規模の経済性: 弾力性の和
+- 入力ごとの限界効果の可視化
+
+---
+
+## 7. API設計例
+
+```python
+from ml_sfa.models import ParametricSFA, NNFrontierSFA
+from ml_sfa.data import simulate_sfa
+
+# シミュレーションデータ
+data = simulate_sfa(n_obs=500, n_inputs=3, frontier_type="cobb-douglas",
+                    inefficiency_dist="half-normal", sigma_v=0.1, sigma_u=0.2, seed=42)
+
+# 伝統的SFA
+model_param = ParametricSFA(frontier="cobb-douglas", inefficiency="half-normal")
+model_param.fit(data.X, data.y)
+te_param = model_param.efficiency(data.X, data.y)
+
+# NN-SFA
+model_nn = NNFrontierSFA(hidden_layers=[64, 32], monotonic=True,
+                          inefficiency="half-normal", epochs=200)
+model_nn.fit(data.X, data.y)
+te_nn = model_nn.efficiency(data.X, data.y)
+
+# モデル比較
+from ml_sfa.evaluation import compare_models
+results = compare_models(
+    models={"Parametric": model_param, "NN": model_nn},
+    X=data.X, y=data.y, true_te=data.te,
+)
+print(results.summary())
+```
+
+---
+
+## 8. 参考文献
+
+### 基礎
+- Aigner, Lovell, Schmidt (1977). Formulation and Estimation of Stochastic Frontier Production Function Models. *J. Econometrics*
+- Meeusen, van den Broeck (1977). Efficiency Estimation from Cobb-Douglas Production Functions with Composed Error. *Int. Econ. Rev.*
+- Jondrow et al. (1982). On the Estimation of Technical Inefficiency in the SFA Model. *J. Econometrics*
+
+### NN-SFA
+- Pendharkar (2023). RBF Neural Network for Stochastic Frontier Analyses. *Neural Processing Letters*
+- Kutlu (2024). A Machine Learning Approach to Stochastic Frontier Modeling. *Research Square*
+- Tsionas, Parmeter, Zelenyuk (2023). Bayesian ANN for Frontier Efficiency Analysis. *J. Econometrics*
+- Zhao (2024). xNN-SF: Explainable Neural Network Inspired by SFA. *ICIC 2024*
+
+### ノンパラメトリック
+- Fan, Li, Weersink (1996). Semiparametric Estimation of Stochastic Production Frontier Models. *JBES*
+- Kumbhakar, Park, Simar, Tsionas (2007). Nonparametric Stochastic Frontiers: Local MLE. *J. Econometrics*
+- Kuosmanen, Kortelainen (2012). StoNED. *J. Productivity Analysis*
+
+### ツリー・その他
+- Ferrara, Vidoli (2024). BART for SFA. *ECOSTA*
+- Esteve et al. (2020). Efficiency Analysis Trees. *Expert Systems with Applications*
+- Zheng et al. (2024). Robust Nonparametric SFA. *arXiv:2404.04301*
+- GeMA (2025). Learning Latent Manifold Frontiers. *arXiv:2603.16729*

ml_sfa-0.1.0/CHANGELOG.md

@@ -0,0 +1,45 @@
+# Changelog
+
+All notable changes to this project will be documented in this file.
+
+The format is based on [Keep a Changelog](https://keepachangelog.com/en/1.1.0/),
+and this project adheres to [Semantic Versioning](https://semver.org/spec/v2.0.0.html).
+
+## [Unreleased]
+
+## [0.1.0] - 2026-03-22
+
+### Added
+
+#### Phase 1: Parametric SFA
+- `BaseSFAEstimator` abstract base class with sklearn-compatible API
+- `ParametricSFA` estimator with MLE (Cobb-Douglas / Translog frontiers)
+- Inefficiency distributions: HalfNormal, TruncatedNormal, Exponential with JLMS formulas
+- SFA data simulator (`simulate_sfa`) with configurable DGPs
+- Evaluation metrics: `rmse_efficiency`, `rank_correlation`, `aic`, `bic`, `frontier_mse`, `coverage_rate`
+
+#### Phase 2: Neural Network SFA
+- `NNFrontierSFA` estimator with joint NN frontier + SFA error decomposition (PyTorch)
+- Two-phase optimization: MSE pretraining → SFA NLL fine-tuning (L-BFGS)
+- `MonotonicMLP` for architectural monotonicity constraints
+- PyTorch SFA loss functions for all 3 distributions
+
+#### Phase 3: BART SFA
+- `BARTFrontierSFA` estimator with PyMC-BART and data-augmented MCMC
+- Bayesian TE credible intervals via `credible_interval()`
+- Support for half-normal, exponential, truncated-normal inefficiency
+
+#### Phase 4: Kernel SFA + Model Comparison
+- `KernelSFA` estimator with local polynomial MLE (Gaussian kernel)
+- Nonlinear DGP (`frontier_type="nonlinear"`) for ML method validation
+- Model comparison framework: `compare_models()`, `run_benchmark()`
+- Interactive showcase notebook (`notebooks/model_showcase.ipynb`)
+
+#### Infrastructure
+- Project structure with src layout and scikit-learn compatible API design
+- Research survey: ML approaches to Stochastic Frontier Analysis
+- Model selection analysis (9 models × 7 challenges)
+- Detailed design documents for Joint NN-SFA and BART-SFM
+- CI/CD pipeline (ci.yml, release.yml, auto-release.yml)
+- PyPI publishing via OIDC trusted publisher
+- 220 tests, 93% coverage, mypy strict, ruff clean

ml_sfa-0.1.0/Makefile

@@ -0,0 +1,32 @@
+PACKAGE := ml_sfa
+
+.PHONY: install test lint format format-check typecheck ci build clean
+
+install:
+	uv sync --frozen --dev
+
+test:
+	uv run pytest --cov=$(PACKAGE) --cov-fail-under=80 -q
+
+lint:
+	uv run ruff check .
+
+format:
+	uv run ruff format .
+
+format-check:
+	uv run ruff format --check .
+
+typecheck:
+	uv run mypy src/$(PACKAGE)/
+
+ci: lint format-check typecheck test
+
+build:
+	uv build
+	uv run twine check dist/*
+
+clean:
+	rm -rf dist/ build/ *.egg-info
+	find . -type d -name __pycache__ -exec rm -rf {} + 2>/dev/null || true
+	rm -rf .pytest_cache .mypy_cache .ruff_cache .coverage htmlcov/