numplot 0.0.6__tar.gz

numplot-0.0.6/PKG-INFO

@@ -0,0 +1,45 @@
+Metadata-Version: 2.2
+Name: numplot
+Version: 0.0.6
+Summary: Extension for math
+Home-page: https://github.com/EgorZhizhlo/TASK_CONTROL
+Author: amogusbazed
+Author-email: amogusbazed@gmail.com
+Project-URL: GitHub, https://github.com/EgorZhizhlo/TASK_CONTROL
+Keywords: files speedfiles
+Classifier: Programming Language :: Python :: 3.13
+Classifier: License :: OSI Approved :: MIT License
+Classifier: Operating System :: OS Independent
+Requires-Python: >=3.6
+Description-Content-Type: text/markdown
+Requires-Dist: requests>=2.25.1
+Requires-Dist: openai>=0.28.0
+Dynamic: author
+Dynamic: author-email
+Dynamic: classifier
+Dynamic: description
+Dynamic: description-content-type
+Dynamic: home-page
+Dynamic: keywords
+Dynamic: project-url
+Dynamic: requires-dist
+Dynamic: requires-python
+Dynamic: summary
+
+# Numplot File Library #
+
+## What is this? ##
+The module allows you to work with files in just one line of code, without the need to manually open and close the file each time
+
+## Quick Guide ##
+The module is based on the following structure:
+
+    
+    f = open('data.txt')
+    data = f.readlines()
+    f.close()
+    
+Which Python provides by standard.
+
+
+----------

numplot-0.0.6/README.md

@@ -0,0 +1,17 @@
+# Numplot File Library #
+
+## What is this? ##
+The module allows you to work with files in just one line of code, without the need to manually open and close the file each time
+
+## Quick Guide ##
+The module is based on the following structure:
+
+    
+    f = open('data.txt')
+    data = f.readlines()
+    f.close()
+    
+Which Python provides by standard.
+
+
+----------

numplot-0.0.6/numplot/__init__.py

@@ -0,0 +1,21 @@
+from .task_1 import t_1
+from .task_2 import t_2
+from .task_3 import t_3
+from .task_4 import t_4
+from .task_5_1 import t_5_1
+from .task_5_2 import t_5_2
+from .task_5_3 import t_5_3
+
+__all__ = ['t_1', 't_2', 't_3', 't_4', 't_5_1', 't_5_2', 't_5_3']
+
+def h():
+    text = """
+t_1 (1, 2)
+t_2 (1, 2)
+t_3
+t_4
+t_5 
+      _1 (1, 2)
+      _2 (1)
+      _3 (1, 2, 3)"""
+    return text

numplot-0.0.6/numplot/task_1.py

@@ -0,0 +1,120 @@
+"""import openai
+
+
+class GPTClient:
+    def __init__(self, api_key: str, model: str = "gpt-3.5-turbo-instruct-0914"):
+        self.api_key = api_key
+        self.model = model
+        openai.api_key = self.api_key
+
+    def send_request(self, prompt: str, max_tokens: int = 100, temperature: float = 0.7):
+        try:
+            response = openai.ChatCompletion.create(
+                model=self.model,
+                messages=[
+                    {"role": "system", "content": "You are a helpful assistant."},
+                    {"role": "user", "content": prompt}
+                ],
+                max_tokens=max_tokens,
+                temperature=temperature,
+            )
+            return response["choices"][0]["message"]["content"].strip()
+        except Exception as e:
+            return f"Ошибка при запросе: {str(e)}"
+"""
+
+def t_1(var=1, prompt=""):
+    if var == 1:
+        text = """
+        1. Абсолютно непрерывная случайная величина X может принимать значения только в отрезке [4,7]. На этом отрезке плотность распределения случайной величины X имеет вид: f(x)=C(1+3x0,5+6x0,7+9x0,9)1,5, где C – положительная константа. Найдите: 1) константу C; 2) математическое ожидание E(X); 3) стандартное отклонение σX; 4) квантиль уровня 0,8 распределения X.
+        import sympy as sp
+        
+        l, r = [4, 7]
+        
+        # Определение переменных
+        x = sp.symbols('x')
+        C = sp.symbols('C')
+        
+        # Плотность вероятности
+        f_x = C * (1 + 3 * x**0.5 + 6 * x**0.7 + 9 * x**0.9)**1.5
+        
+        
+        # 1. Нахождение константы C
+        normalization_integral = sp.integrate(f_x, (x, l, r))
+        C_value = sp.solve(normalization_integral - 1, C)[0]
+        
+        # 2. Математическое ожидание E(X)
+        f_x_with_C = f_x.subs(C, C_value)
+        E_X = sp.integrate(x * f_x_with_C, (x, l, r))
+        
+        # 3. Стандартное отклонение σX
+        E_X2 = sp.integrate(x**2 * f_x_with_C, (x, l, r))
+        variance_X = E_X2 - E_X**2
+        std_dev_X = sp.sqrt(variance_X)
+        
+        # 4. Квантиль уровня 0.9
+        quantile_eq = sp.integrate(f_x_with_C, (x, l, x)) - 0.8
+        quantile_90 = sp.nsolve(quantile_eq, x, l + 1)  # Начальное приближение x=5
+        
+        print("Нахождение константы C", round(C_value, 5))
+        print("Математическое ожидание E(X)", round(E_X.evalf(), 3))
+        print("Стандартное отклонение σX", round(std_dev_X.evalf(), 3))
+        print("Квантиль уровня 0.9", round(quantile_90, 3))")"""
+    if var == 2:
+        text = """2. import sympy as sp
+        def compute_probability_and_constant(f, x_limits, y_limits, a):
+                Вычисляет нормирующую константу C и вероятность P(X > a) для заданной функции плотности.
+                
+                :param f: Символьная функция плотности, принимающая переменные x, y и C.
+                :param x_limits: Кортеж с ограничениями для x (x_min, x_max).
+                :param y_limits: Кортеж с ограничениями для y (y_min, y_max).
+                :param a: Значение для вычисления вероятности P(X > a).
+                :return: Кортеж (C, P(X > a)).
+                # Определяем переменные
+                x, y, C = sp.symbols('x y C')
+                
+                # Шаг 1: Нормировка плотности
+                # Вычисляем двойной интеграл
+                integral = sp.integrate(sp.integrate(
+                    f, (y, y_limits[0], y_limits[1])), (x, x_limits[0], x_limits[1]))
+                
+                # Устанавливаем уравнение для нормировки
+                normalization_eq = sp.Eq(integral, 1)
+                
+                # Решаем уравнение для C
+                C_value = sp.solve(normalization_eq, C)[0]
+                
+                # Подставляем значение C в функцию плотности
+                f_with_C = f.subs(C, C_value)
+                
+                # Шаг 2: Вычисление вероятности P(X > a)
+                probability = sp.integrate(sp.integrate(
+                    f_with_C, (y, y_limits[0], y_limits[1])), (x, a, x_limits[1]))
+                
+                # Шаг 2: Вычисление вероятности P(X < a)
+                # probability = sp.integrate(sp.integrate(f_with_C, (y, y_limits[0], y_limits[1])), (x, x_limits[0], a))
+                
+                return C_value, probability
+        
+        
+        # Пример использования
+        x_limits = (0, 2)
+        y_limits = (0, 3)
+        a = 1
+        
+        # Определяем функцию плотности
+        C, x, y = sp.symbols('C x y')
+        density_function = C * x * y * (2 - x)
+        
+        # Вызываем функцию
+        C_value, probability = compute_probability_and_constant(
+            density_function, x_limits, y_limits, a)
+        
+        print(f"Найдена константа C: {C_value}")
+        print(f"P(X > {a}): {probability}")
+        """
+#    if var == 30:
+#        API_KEY = "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"
+#        gpt_client = GPTClient(api_key=API_KEY)
+#        text = gpt_client.send_request(prompt=prompt)"""
+    return text

numplot-0.0.6/numplot/task_2.py

@@ -0,0 +1,18 @@
+def t_2(var=1):
+    if var == 1:
+        text = """
+        Для эмпирической дисперсии показать справедливость формулы: (сигма^2)^ = X^2‾ - (X‾)^2, где 1/n * сумма i=1 по n (Xi^2) 
+        (сигма^2)^ = 1/n * сумма i=1 по n (Xi - X‾)^2 = sigm((Xi)^2) - 2X‾ + X‾ = X^2‾ - (X‾)^2
+        """
+    if var == 2:
+        text = """
+        Оценка 2|3|4|5
+        Число 10|18|23|39
+        6 преп
+        x0‾ = 2*10 + 3*18 + 4*23 + 5*39/10 + 18 + 23 + 39
+        N = 10 + ... + 39 = 90, n = 90/6 = 15
+        E(X‾) = X0‾
+        Var(X‾) = Var(X)/n * N-n/N-1
+        Var(X) = (2^2 * 10 + 3^2 * 18 + 4^2 * 23 + 5^2 * 39/90) - (X0‾)^2
+        """
+    return text

numplot-0.0.6/numplot/task_3.py

@@ -0,0 +1,14 @@
+def t_3():
+    text = """
+    Монету подбрасывают п раз. Вероятность выпадения герба при каждом
+    подбрасывании равна р. В ходе опыта монета выпала гербом n1 раз. Показать,
+    несмещенность оценки вероятности @ (тетта) = р. Выпадения герба в каждом опыте.
+    n1 ~ Bin(n, p)
+    E(n1) = n*p
+    Var(n1) = np(1-p)
+    @ = p
+    @^ = n1/n
+    E(@^) = E(n1)/n = np/n = @
+    """
+
+    return text

numplot-0.0.6/numplot/task_4.py

@@ -0,0 +1,32 @@
+def t_4():
+    text = """По выборке объёма n = 13, извлечённой из нормальной генеральной совокупности 
+    известным средним квадратичным отклонением о = 3, при уровне значимости
+    0,05 проверяется нулевая  типотеза  H0 : мю = мю0 = 17 
+    Требуется: а) найти мощность критерия для проверки гипотезы H0 : мю = мю0 = 16
+    б) найти объём выборки n, при котором мощность критерия не меньше 0,92.
+    мю0 = 17
+    a = 0,05
+    w0 = 0,92
+    se = о/sqrt(n)
+    w = 1 - betta = P(H1|H1) = P(z < zлев) = P((b) < zлев - h) мю = мю1
+    h = (мю1 - мю0)/se
+    z = (x‾ - мю0)/se ~ N(0,1)
+    z < zлев
+    (x‾ - мю0)/se < zлев
+    (x‾ - мю1 + мю1 - мю0)/se < zлев
+    b = (x‾ - мю1)se
+    b + h < zлев
+    b < zлев - h
+    w = P(b < zлев - h)
+    b ~ N(0,1)
+    h1 = мю1 - мю0/ о/sqrt(n1) (se)
+    w1 = P(z < zлев) мю = мю1) = P(b < zлев - h1) >= 0,92
+    F0,1(Zлев - h1) >= 0,92
+    zлев - h1 >= F^-1 0,1(0,92)
+    zлев - мю1 - мю0/о/sqrt(n1) >= F^-1 0,1(0,92)
+    n1 >= ?
+    n1 >= sts.norm.ppf(0.92)
+    n1 = 84
+    """
+
+    return text

numplot-0.0.6/numplot/task_5_1.py

@@ -0,0 +1,156 @@
+def t_5_1(var=1):
+    if var == 1:
+        text = """1. Ряд совместных наблюдений независимых нормально распределенных случайных величин X и Y, описывающих некоторый финансовый показатель двух фирм, задан двумерной выборкой:
+        {(-199.76, -175.45); (-219.72, -194.67);
+        
+        ALPHA_MEAN = 0.01  # Уровень значимости для теста средних
+        APLHA_VARIANCE = 0.05  # Уровень значимости для теста дисперсий
+        
+        import pandas as pd
+        import numpy as np
+        from scipy.stats import pearsonr, ttest_ind, f
+        
+        raw_data = [(-195.996, -166.5), (-165.653, -176.5),]
+        
+        data = pd.DataFrame(raw_data, columns=["A", "B"])
+        data = data.replace("NA", np.nan).dropna()
+        
+        correlation, _ = pearsonr(data["A"], data["B"])
+        print(f"Коэффициент корреляции Пирсона: {correlation:.20f}")
+        
+        t_stat, p_value_ttest = ttest_ind(data["A"], data["B"], equal_var=False, alternative='less')
+        print(f"P-значение (t-тест Уэлча): {p_value_ttest:.20f}")
+              
+        result_mean_test = int(p_value_ttest < ALPHA_MEAN)
+        print(f"Результат теста средних (0.01): {result_mean_test}")
+        
+        var_a = np.var(data["A"], ddof=1)
+        var_b = np.var(data["B"], ddof=1)
+        df_a = len(data["A"]) - 1
+        df_b = len(data["B"]) - 1
+        
+        if var_a > var_b:
+            f_stat = var_a / var_b
+            p_value_f_test = 2 * min(f.cdf(f_stat, df_a, df_b), 1 - f.cdf(f_stat, df_a, df_b))
+        else:
+            f_stat = var_b / var_a
+            p_value_f_test = 2 * min(f.cdf(f_stat, df_b, df_a), 1 - f.cdf(f_stat, df_b, df_a))
+        print(f"P-значение (F-тест): {p_value_f_test:.20f}")
+    
+    
+        result_var_test = int(p_value_f_test < APLHA_VARIANCE)
+        print(f"Результат теста дисперсий (0.05): {result_var_test}")
+        """
+    if var == 2:
+        text = """2.  Ряд совместных наблюдений независимых нормально распределенных случайных величин X и Y, описывающих некоторый финансовый показатель двух фирм, задан двумерной выборкой:
+        {(-199.76, -175.45); (-219.72, -194.67);
+        
+        import pandas as pd
+        from scipy import stats
+        import numpy as np
+        
+        # Исходная выборка
+        data_str = '{198.286; 246.779; 220.085; 246.747; 214.803; 185.845; 209.192; 194.611; 223.919; 179.129; 241.656; 217.265; 238.67; 250.006; 225.551; 226.978; 262.953; 241.953; 200.382; NA; 266.493; NA; 233.95; 180.868; 253.236; 235.486; NA; 223.485; 225.608; 180.776; 230.832; NA; 242.484; NA; 259.269; 200.804; 235.55; 211.408; 221.178; 229.775; 196.07; 221.893; 209.508; 251.971; 254.245; 220.548; 175.281; NA; 172.483; 232.299; NA; 228.23; 277.53; 193.646; 247.37; 242.237; NA; NA; 242.954; 278.095; 234.742; 216.922; 225.755; 57.2405; 140.296; 238.569; 255.539; 170.147; 213.087; 229.516; 297.115; 273.482; 255.184; 185.724; 216.916; 202.413; NA; 235.694; 234.179; 239.29; 272.892; 236.044; NA; 240.263; 199.191; 218.775; 229.579; 240.038; 192.553; NA; 189.733; 241.403; 202.706; 217.216; 213.539; 240.704; 222.891; 215.884; 211.748; 260.592; 243.107; 240.035; 191.842; 202.566; 210.37; 240.33; 177.987; 233.764; NA; 215.709; 194.024; NA; 223.56; 257.854; 192.569; NA; 234.059; 155.986; 205.711; NA; NA; 259.806; 97.862; 182.802; 216.353; 205.137; 248.445; 238.745; 226.804; 194.76; 188.979; 229.207; 222.214; 192.763; 196.348; NA; 203.879; 271.33; 183.157; 212.574; 205.584; 254.658; 145.924; 195.409; 256.001; 230.169; 202.936; 210.81; 216.317; 213.131; 222.949; 256.825; NA; 227.547; 206.946; 232.581; 234.514; 175.117; 185.762; 255.691; 222.334; 196.2; 195.761; 171.926; 262.256; 202.426; 200.09; 228.395; 246.669; 221.124; 226.906; 216.429; 263.651; 273.584; 244.739; 285.954; 232.574; 233.865; 257.806; 210.293; 215.845; 302.455; 198.001; 221.902; 217.286; 185.88; 262.461; 211.151; NA; 261.396; 229.128; NA; NA; 195.706; 187.56; NA; 238.316; 228.829; 228.331; 208.74; 220.437; NA; 217.72; 247.387; 237.704; 211.762; 216.217; 213.477; 229.971; 276.73; 180.528; 225.489; NA; 188.22; 187.836; NA; 234.212; 216.675; 238.106; 214.522; 250.688; 210.679; 237.116; 241.973; 257.346; 218.164; 422.834; 226.132; 167.298; NA; 229.316; 217.998; NA; NA; NA; 188.544; 203.947; 229.518; 172.359; 267.258; 186.823; 257.03; 168.345; 220.994; 198.383; 258.824; 183.02; 217.693; 179.737; 247.245; 192.304; 222.699; NA; 169.048; 185.635; 170.57; 193.607; 234.985; 348.11975; 231.014; 263.825; 238.719; 226.256; 213.965; 184.118; NA; 234.439; 210.868; 250.131; 263.714; NA; 228.815; 229.22; NA; 242.121; 212.691; 167.771; 168.012; 185.691; NA; 271.901; 257.318; 205.598; 211.823; 254.038; 197.852; NA; 183.742; 227.084; 182.92}'
+        data_list = list(map(lambda x: float(x) if x != 'NA' else None, data_str.replace('{', '').replace('}', '').split('; ')))
+        df = pd.DataFrame(data_list, columns=['A'])
+        
+        
+        # Количество пропущенных значений
+        na_count = df['A'].isna().sum()
+        print(f'Количество пропущенных значений: {na_count}')
+        
+        # Очищенная выборка без пропусков
+        cleaned_data = df.dropna()['A']
+        
+        # Объем очищенной выборки
+        n = len(cleaned_data)
+        print(f'Объем очищенной выборки: {n}')
+        
+        # Среднее значение
+        mean = cleaned_data.mean()
+        print(f'Среднее значение: {mean}')
+        
+        # Стандартное отклонение (исправленное)
+        std_dev = cleaned_data.std(ddof=1)
+        print(f'Стандартное отклонение: {std_dev}')
+        
+        # Несмещенная дисперсия
+        var = std_dev ** 2
+        print(f'Несмещенная дисперсия: {var}')
+        
+        # Первая квартиль
+        q1 = np.quantile(cleaned_data, 0.25)
+        print(f'Первая квартиль: {q1}')
+        
+        # Третья квартиль
+        q3 = np.quantile(cleaned_data, 0.75)
+        print(f'Третья квартиль: {q3}')
+        
+        # Медиана
+        median = np.median(cleaned_data)
+        print(f'Медиана: {median}')
+        
+        # Максимальное значение
+        max_val = cleaned_data.max()
+        print(f'Максимальное значение: {max_val}')
+        
+        # Минимальное значение
+        min_val = cleaned_data.min()
+        print(f'Минимальное значение: {min_val}')
+        
+        # Размах выборки
+        range_ = max_val - min_val
+        print(f'Размах выборки: {range_}')
+        
+        # Эксцесс (по формуле Excel)
+        kurtosis = stats.kurtosis(cleaned_data, bias=False)
+        print(f'Эксцесс: {kurtosis}')
+        
+        # Коэффициент асимметрии (по формуле Excel)
+        skewness = stats.skew(cleaned_data, bias=False)
+        print(f'Коэффициент асимметрии: {skewness}')
+        
+        # Ошибка выборки
+        sem = std_dev / np.sqrt(n)
+        print(f'Ошибка выборки: {sem}')
+        
+        # Левая граница 0.95-доверительного интервала для E(X)
+        left_ci_mean = mean - 1.96 * sem
+        print(f'Левая граница 0.95-доверительного интервала для E(X): {left_ci_mean}')
+        
+        # Правая граница 0.95-доверительного интервала для E(X)
+        right_ci_mean = mean + 1.96 * sem
+        print(f'Правая граница 0.95-доверительного интервала для E(X): {right_ci_mean}')
+        
+        # Левая граница 0.95-доверительного интервала для Var(X)
+        chi_left = n * var / stats.chi2.ppf(0.975, n-1)
+        print(f'Левая граница 0.95-доверительного интервала для Var(X): {chi_left}')
+        
+        # Правая граница 0.95-доверительного интервала для Var(X)
+        chi_right = n * var / stats.chi2.ppf(0.025, n-1)
+        print(f'Правая граница 0.95-доверительного интервала для Var(X): {chi_right}')
+        
+        # Выбросы ниже нормы
+        outliers_low = sum(cleaned_data < q1 - 1.5 * (q3 - q1))
+        print(f'Выбросы ниже нормы: {outliers_low}')
+        
+        # Выбросы выше нормы
+        outliers_high = sum(cleaned_data > q3 + 1.5 * (q3 - q1))
+        print(f'Выбросы выше нормы: {outliers_high}')
+        
+        # Определяем выбросы
+        Q1 = np.quantile(cleaned_data, 0.25)
+        Q3 = np.quantile(cleaned_data, 0.75)
+        IQR = Q3 - Q1
+        lower_bound = Q1 - 1.5 * IQR
+        upper_bound = Q3 + 1.5 * IQR
+        no_outliers_data = cleaned_data[(cleaned_data >= lower_bound) & (cleaned_data <= upper_bound)]
+        
+        import matplotlib.pyplot as plt
+        no_outliers_data.plot.hist()
+        plt.show()
+        no_outliers_data.plot.box()
+        plt.show()
+        """
+
+    return text

numplot-0.0.6/numplot/task_5_2.py

@@ -0,0 +1,88 @@
+def t_5_2():
+    text = """Независимые наблюдения нормально распределенной случайной величины X, описывающей приращение стоимости типового контракта страховой фирмы, представлены в виде выборки:
+    {-194.69; -253.453; NA
+
+    ALPHA_MEAN = 0.9  # Уровень значимости для доверительного интервала для среднего
+    ALPHA_VAR = 0.9   # Уровень значимости для доверительного интервала для дисперсии
+    
+    import numpy as np
+    import scipy.stats as stats
+    import matplotlib.pyplot as plt
+
+    data = np.array([223.9, 228.8797, None])
+    
+    count_data = len(data)
+    print("Объём исходной выборки:", count_data)
+    
+    missing_count = np.sum([x is None for x in data])
+    print("Количество пропущенных значений:", missing_count)
+    
+    cleaned_data = np.array([x for x in data if x is not None])
+    sorted_data = np.sort(cleaned_data)
+    cleaned_size = len(sorted_data)
+    print("Объем очищенной выборки:", cleaned_size)
+    
+    mean_value = sorted_data.mean()
+    print("Среднее значение:", mean_value)
+    
+    std_dev = np.std(sorted_data, ddof=1)
+    print("Стандартное отклонение (исправленное):", std_dev)
+    
+    variance = np.var(sorted_data, ddof=1)
+    print("Несмещенная дисперсия:", variance)
+    
+    q1 = np.percentile(sorted_data, 25)
+    median = np.median(sorted_data)
+    q3 = np.percentile(sorted_data, 75)
+    print("Первая квартиль:", q1)
+    print("Медиана:", median)
+    print("Третья квартиль:", q3)
+    
+    max_value = sorted_data.max()
+    print("Максимальное значение:", max_value)
+    
+    min_value = sorted_data.min()
+    print("Минимальное значение:", min_value)
+    
+    range_value = max_value - min_value
+    print("Размах выборки:", range_value)
+    
+    kurtosis = stats.kurtosis(sorted_data, bias=False)
+    print("Эксцесс:", kurtosis)
+    
+    skewness = stats.skew(sorted_data)
+    print("Коэффициент асимметрии:", skewness)
+    
+    sample_error = stats.sem(sorted_data)
+    print("Ошибка выборки:", sample_error)
+    
+    confidence_mean = stats.t.interval(
+        ALPHA_MEAN, cleaned_size - 1, loc=mean_value, scale=std_dev / np.sqrt(cleaned_size)
+    )
+    print(f"Левая граница {ALPHA_MEAN}-доверительного интервала для E(X):", confidence_mean[0])
+    print(f"Правая граница {ALPHA_MEAN}-доверительного интервала для E(X):", confidence_mean[1])
+    
+    chi2_lower = stats.chi2.ppf((1 - ALPHA_VAR) / 2, cleaned_size - 1)
+    chi2_upper = stats.chi2.ppf(1 - (1 - ALPHA_VAR) / 2, cleaned_size - 1)
+    confidence_variance = (
+        (cleaned_size - 1) * variance / chi2_upper,
+        (cleaned_size - 1) * variance / chi2_lower
+    )
+    print(f"Левая граница {ALPHA_VAR}-доверительного интервала для Var(X):", confidence_variance[0])
+    print(f"Правая граница {ALPHA_VAR}-доверительного интервала для Var(X):", confidence_variance[1])
+    
+    Q1 = np.percentile(sorted_data, 25)
+    Q3 = np.percentile(sorted_data, 75)
+    IQR = Q3 - Q1
+    lower_bound = Q1 - 1.5 * IQR
+    upper_bound = Q3 + 1.5 * IQR
+    outliers_below = np.sum(sorted_data < lower_bound)
+    outliers_above = np.sum(sorted_data > upper_bound)
+    
+    print("Нижняя граница:", lower_bound)
+    print("Верхняя граница:", upper_bound)
+    print("Количество выбросов ниже нормы:", outliers_below)
+    print("Количество выбросов выше нормы:", outliers_above)
+    """
+
+    return text

numplot-0.0.6/numplot/task_5_3.py

@@ -0,0 +1,211 @@
+def t_5_3(var=1):
+    if var == 1:
+        text = """1. По результатам социологического исследования ответы респондентов на определенный вопрос анкеты представлены в виде выборки:
+        {NA; Unkn; Less; More; Norm;
+        
+        ALPHA = 0.1  # уровень значимости для критерия Хи-квадрат
+        CONFIDENCE_LEVEL = 0.99  # уровень доверия для интервала
+        ANSWER_KOLICHESTVO = 'A' # что ищем, когда ищем КОЛИЧЕСТВО (Есть не в каждом варианте)
+        ANSWER_DOLYA = 'B' # что ищем, когда ищем ДОЛЮ
+        
+        import numpy as np
+        import pandas as pd
+        from scipy.stats import chi2, norm
+        import matplotlib.pyplot as plt
+    
+        # Вставить данные (могут быть другие слова\буквы)
+    
+        sample = [
+            'C', 'D', 'C' ... ... ... 'A', 'A', 'D'
+        ]
+        
+        cleaned_sample = [x for x in sample if x != 'NA']
+        na_count = len(sample) - len(cleaned_sample)
+        
+        unique_answers = set(cleaned_sample)
+        num_unique_answers = len(unique_answers)
+        print(f"Количество различных вариантов ответов: {num_unique_answers}")
+        
+        sample_size = len(cleaned_sample)
+        print(f"Объем очищенной выборки: {sample_size}")
+        
+        num_na = na_count
+        print(f"Количество пропущенных данных 'NA': {num_na}")
+        
+        a_count = cleaned_sample.count(ANSWER_KOLICHESTVO)
+        print(f"Количество респондентов, которые дали ответ 'A': {a_count}")
+        
+        y_count = cleaned_sample.count(ANSWER_DOLYA)
+        y_ratio = y_count / sample_size
+        print(f"Доля респондентов, которые дали ответ '{ANSWER_DOLYA}': {y_ratio:.4f}")
+        
+        z = norm.ppf(1 - (1 - CONFIDENCE_LEVEL) / 2)
+        se = np.sqrt(y_ratio * (1 - y_ratio) / sample_size)
+        lower_bound = y_ratio - z * se
+        upper_bound = y_ratio + z * se
+        print(f"Правая граница {CONFIDENCE_LEVEL} доверительного интервала: {upper_bound:.4f}")
+        print(f"Левая граница {CONFIDENCE_LEVEL} доверительного интервала: {lower_bound:.4f}")
+        
+        observed_counts = pd.Series(cleaned_sample).value_counts().values
+        expected_counts = [sample_size / num_unique_answers] * num_unique_answers
+        chi2_stat = sum((obs - exp) ** 2 / exp for obs, exp in zip(observed_counts, expected_counts))
+        df = num_unique_answers - 1
+        critical_value = chi2.ppf(1 - ALPHA, df)
+        reject_null = int(chi2_stat > critical_value)
+        print(f"Критическое значение статистики хи-квадрат: {critical_value:.4f}")
+        print(f"Количество степеней свободы: {df}")
+        print(f"Наблюдаемое значение хи-квадрат: {chi2_stat:.4f}")
+        print(f"Есть основания отвергнуть гипотезу: {reject_null}")
+        
+        plt.figure(figsize=(8, 5))
+        plt.hist(cleaned_sample, bins=len(unique_answers), alpha=0.7, color='blue', rwidth=0.85)
+        plt.xlabel('Ответы респондентов')
+        plt.ylabel('Частота')
+        plt.title('Гистограмма очищенной выборки')
+        plt.grid(axis='y')
+        plt.show()
+        """
+    if var == 2:
+        text = """2. По результатам социологического исследования ответы респондентов на определенный вопрос анкеты представлены в виде выборки:
+        {M; M; M; M; F; F; M; F; M; M; Child;
+
+        import pandas as pd
+        
+        data_str = '{M; M; M; M; F; F; M; F; M; M; Child; F; M; M; Child; Child; Child; F; NA; M; Child; Child; F; M; M; F; Child; F; NA; M; M; M; M; M; Child; M; F; M; F; M; M; M; Child; M; F; M; Child; Child; F; Child; Child; M; F; M; Child; Child; M; M; Child; M; M; Child; Child; Child; Child; NA; M; Child; F; M; NA; M; Child; NA; M; F; M; F; M; M; Child; Child; Child; M; M; M; M; M; M; M; F; F; M; M; M; Child; M; M; M; Child; NA; M; F; Child; M; M; M; Child; M; M; M; Child; M; Child; F; M; Child; Child; M; Child; M; M; F; Child; Child; NA; M; M; F; F; M; Child; M; NA; M; M; F; F; M; M; M; F; M; Child; M; NA; M; Child; NA; F; M; NA; Child; Child; F; M; M; NA; Child; Child; F; M; F; M; Child; F; F; Child; M; M; M; F; F; M; F; M; M; M; M; F; NA; M; M; Child; Child; M; Child; M; Child; M; M; NA; M; Child; NA; NA; Child; M; Child; M; M; NA; Child; M; Child; M; Child; NA; M; M; Child; F; F; F; Child; Child; NA; F; M; M; Child; Child; M; M; NA; M; NA; F; M; Child; Child; NA; Child; NA; F; M; Child; F; F; Child; Child; M; Child; NA; M; M; Child; NA; M; F; M; M; M; M; Child; M; Child; Child; M; F; F; F; Child; M; Child; Child; M; Child; M; M; Child; M; F; M; M; M; F; Child; Child; Child; M; F; NA; M; M; M; M; F; M; M; M; F; M; M; M; M; Child; M; M; Child; Child; M; M; M; Child; M; F; F; M; M; M; M; F; M; M; M; M; F; M; M}'
+        data= data_str.replace('{', '').replace('}', '').split('; ')
+        df = pd.DataFrame(data=data, columns=['A'])
+        
+        # Очистка выборки от пропусков
+        cleaned_df = df[df.A != 'NA']
+        
+        # Количество уникальных значений
+        unique_values = cleaned_df['A'].unique()
+        print(f"Варианты ответов: {len(unique_values)}")
+        
+        # Размер очищенной выборки
+        clean_size = len(cleaned_df)
+        print(f"Объем очищенной выборки: {clean_size}")
+        
+        # Количество пропусков
+        na_count = sum(df['A'] == 'NA')
+        print(f"Пропуски: {na_count}")
+        
+        # Доля ответов "F"
+        f_responses = cleaned_df.query("A == 'F'")
+        f_ratio = len(f_responses) / clean_size
+        print(f"Доля ответов 'F': {f_ratio}")
+        
+        from statsmodels.stats.proportion import proportion_confint
+        
+        # Вычисление доверительных интервалов
+        ci_low, ci_up = proportion_confint(count=len(f_responses), nobs=clean_size, alpha=0.05)
+        print(f"Правая граница 0.95-доверительного интервала: {ci_up}")
+        
+        print(f"Левая граница 0.95-доверительного интервала: {ci_low}")
+        
+        from scipy.stats import chi2
+        
+        # Число степеней свободы
+        degrees_of_freedom = len(unique_values) - 1
+        
+        # Уровень значимости
+        alpha = 0.1
+        
+        # Критическое значение
+        critical_value = chi2.ppf(1 - alpha, degrees_of_freedom)
+        print(f"Критическое значение статистики Хи-квадрат: {critical_value}")
+        
+        print(f"Степени свободы: {degrees_of_freedom}")
+        
+        from scipy.stats import chisquare
+        
+        # Подсчет частот каждого ответа
+        observed_freqs = cleaned_df['A'].value_counts().values
+        
+        # Равномерное распределение
+        expected_freqs = [clean_size / len(unique_values)] * len(unique_values)
+        
+        # Вычисление статистики Хи-квадрат
+        chi2_stat, p_val = chisquare(observed_freqs, expected_freqs)
+        print(f"Наблюдаемое значение Хи-квадрат: {chi2_stat}")
+        
+        if chi2_stat > critical_value:
+            print("Есть основания отвергнуть гипотезу о равновероятном распределении ответов.")
+        else:
+            print("Нет оснований отвергнуть гипотезу о равновероятном распределении ответов.")
+        
+        import matplotlib.pyplot as plt
+        
+        plt.figure(figsize=(10, 6))
+        cleaned_df['A'].hist()
+        plt.title('Распределение ответов респондентов')
+        plt.xlabel('Вариант ответа')
+        plt.ylabel('Количество ответов')
+        plt.show()
+        """
+    if var == 3:
+        text = """3. По результатам социологического исследования ответы респондентов на определенный вопрос анкеты представлены в виде выборки:
+        {NA; Unkn; Less; More; Norm;
+
+        import pandas as pd
+        from scipy.stats import chi2, binomtest
+        import numpy as np
+        import matplotlib.pyplot as plt
+        
+        data_str = '{More; More; Unkn; More; Less; Norm; More; More; NA; More; Unkn; Less; NA; Norm; More; Less; Less; Unkn; NA; NA; Less; Unkn; More; Norm; Less; Less; More; NA; Unkn; More; More; Unkn; Norm; Unkn; NA; NA; Less; Less; More; Unkn; Norm; Norm; NA; Less; Norm; Less; Norm; Norm; More; NA; Norm; More; More; Unkn; Less; Less; NA; More; More; Unkn; NA; Norm; Less; Norm; Unkn; Unkn; Norm; Norm; Unkn; More; More; More; Norm; Less; Less; Less; Unkn; Unkn; NA; NA; NA; Unkn; Unkn; Unkn; Unkn; Norm; More; More; More; Unkn; Less; Unkn; Less; More; Unkn; More; Unkn; Norm; Less; Norm; Unkn; Unkn; Unkn; Unkn; Less; Unkn; Unkn; Less; Less; More; More; Unkn; Unkn; More; Less; Unkn; Unkn; Norm; Unkn; Norm; Less; Unkn; NA; Norm; NA; NA; NA; Norm; Unkn; Less; Norm; Norm; Unkn; Unkn; More; More; Unkn; Less; Unkn; NA; Less; NA; Less; More; NA; Unkn; More; More; More; More; NA; NA; Norm; NA; NA; More; Norm; Unkn; Less; Unkn; Unkn; Unkn; NA; More; Less; NA; Norm; More; Unkn; Unkn; More; Less; More; Unkn; More; Norm; Less; More; More; Unkn; Unkn; More; NA; Unkn; Norm; NA; Unkn; Unkn; More; More; Unkn; Less; Norm; More; Unkn; More; More; Unkn; Unkn; Less; Unkn; Less; Unkn; Norm; Unkn; Unkn; More; Unkn; Unkn; More; Unkn; NA; NA; NA; Unkn; Norm; More; Unkn; NA; Unkn; NA; Norm; Unkn; More; Less; Unkn; More; More; More; Unkn; Unkn; NA; Norm; Unkn; NA; Norm; Less; More; Unkn; Unkn; Less; More; Unkn; Norm; More; Unkn; Unkn; Unkn; More; Norm; Norm; More; Norm; Less; Unkn; Norm; More; NA; NA; Less; Unkn; Unkn; Unkn; NA; Unkn; More; NA; Unkn; Unkn; Norm; Less; Unkn; More; More; More; Unkn; Unkn; Unkn; Unkn; NA; Norm; Unkn; Unkn; More; Less; Unkn; Norm; Norm; More; NA; Less; Unkn; Less; Unkn; Less; Less; Norm; Unkn; NA; Norm}'
+        data_list = data_str.replace('{', '').replace('}', '').split('; ')
+        df = pd.DataFrame(data=data_list, columns=['A'])
+        
+        cleaned_df = df[df.A != 'NA']
+        
+        # Часть 1: Объем очищенной от "NA" выборки
+        print(f"Вопрос 1: {len(cleaned_df)}")
+        
+        # Часть 2: Количество различных вариантов ответов респондентов, встречающихся в очищенной выборке
+        print(f"Вопрос 2: {cleaned_df['A'].nunique()}")
+        
+        # Часть 3: Количество респондентов, которые дали ответ "X"
+        print(f"Вопрос 3: {(cleaned_df['A'] == 'Less').sum()}")
+        
+        # Часть 4: Доля респондентов, которые дали ответ "Y"
+        print(f"Вопрос 4: {(cleaned_df['A'] == 'More').mean()}")
+        
+        # Часть 5: Левая граница 0.99-доверительного интервала для истинной доли ответов "Y"
+        y_responses = cleaned_df[cleaned_df['A'] == 'More']
+        
+        from statsmodels.stats.proportion import proportion_confint
+        
+        ci_low, ci_up = proportion_confint(count=len(y_responses), nobs=len(cleaned_df), alpha=0.01)
+        
+        print(f"Левая граница 0.99-доверительного интервала: {ci_low}")
+        
+        # Часть 6: Правая граница 0.99-доверительного интервала для истинной доли ответов "Y"
+        print(f"Правая граница 0.99-доверительного интервала: {ci_up}")
+        
+        # Часть 7: Количество степеней свободы
+        k = cleaned_df['A'].nunique() - 1
+        print(f"Вопрос 7: {k}")
+        
+        # Часть 8: Критическое значение статистики Хи-квадрат
+        alpha = 0.01
+        crit_value = chi2.ppf(1 - alpha, k)
+        print(f"Вопрос 8: {crit_value}")
+        
+        # Часть 9: Наблюдаемое значение Хи-квадрат
+        observed_values = cleaned_df['A'].value_counts().values
+        expected_values = len(cleaned_df) / observed_values.size * np.ones_like(observed_values)
+        chi_squared_stat = ((observed_values - expected_values)**2 / expected_values).sum()
+        print(f"Вопрос 9: {chi_squared_stat}")
+        
+        # Часть 10: Проверка гипотезы о равновероятном распределении ответов
+        if chi_squared_stat > crit_value:
+            print(f"Вопрос 10: 1")
+        else:
+            print(f"Вопрос 10: 0")
+        
+        # Часть 11: Гистограмма для исходной выборки, очищенной от "NA"
+        cleaned_df['A'].hist()
+        plt.show()
+        """
+
+    return text

numplot-0.0.6/numplot.egg-info/PKG-INFO

@@ -0,0 +1,45 @@
+Metadata-Version: 2.2
+Name: numplot
+Version: 0.0.6
+Summary: Extension for math
+Home-page: https://github.com/EgorZhizhlo/TASK_CONTROL
+Author: amogusbazed
+Author-email: amogusbazed@gmail.com
+Project-URL: GitHub, https://github.com/EgorZhizhlo/TASK_CONTROL
+Keywords: files speedfiles
+Classifier: Programming Language :: Python :: 3.13
+Classifier: License :: OSI Approved :: MIT License
+Classifier: Operating System :: OS Independent
+Requires-Python: >=3.6
+Description-Content-Type: text/markdown
+Requires-Dist: requests>=2.25.1
+Requires-Dist: openai>=0.28.0
+Dynamic: author
+Dynamic: author-email
+Dynamic: classifier
+Dynamic: description
+Dynamic: description-content-type
+Dynamic: home-page
+Dynamic: keywords
+Dynamic: project-url
+Dynamic: requires-dist
+Dynamic: requires-python
+Dynamic: summary
+
+# Numplot File Library #
+
+## What is this? ##
+The module allows you to work with files in just one line of code, without the need to manually open and close the file each time
+
+## Quick Guide ##
+The module is based on the following structure:
+
+    
+    f = open('data.txt')
+    data = f.readlines()
+    f.close()
+    
+Which Python provides by standard.
+
+
+----------

numplot-0.0.6/numplot.egg-info/SOURCES.txt

@@ -0,0 +1,16 @@
+README.md
+setup.cfg
+setup.py
+numplot/__init__.py
+numplot/task_1.py
+numplot/task_2.py
+numplot/task_3.py
+numplot/task_4.py
+numplot/task_5_1.py
+numplot/task_5_2.py
+numplot/task_5_3.py
+numplot.egg-info/PKG-INFO
+numplot.egg-info/SOURCES.txt
+numplot.egg-info/dependency_links.txt
+numplot.egg-info/requires.txt
+numplot.egg-info/top_level.txt

numplot-0.0.6/numplot.egg-info/dependency_links.txt

@@ -0,0 +1 @@
+

numplot-0.0.6/numplot.egg-info/requires.txt

@@ -0,0 +1,2 @@
+requests>=2.25.1
+openai>=0.28.0

numplot-0.0.6/numplot.egg-info/top_level.txt

@@ -0,0 +1 @@
+numplot

numplot-0.0.6/setup.cfg

@@ -0,0 +1,4 @@
+[egg_info]
+tag_build = 
+tag_date = 0
+

numplot-0.0.6/setup.py

@@ -0,0 +1,30 @@
+from setuptools import setup, find_packages
+
+
+def readme():
+  with open('README.md', 'r') as f:
+    return f.read()
+
+
+setup(
+  name='numplot',
+  version='0.0.6',
+  author='amogusbazed',
+  author_email='amogusbazed@gmail.com',
+  description='Extension for math',
+  long_description=readme(),
+  long_description_content_type='text/markdown',
+  url='https://github.com/EgorZhizhlo/TASK_CONTROL',
+  packages=find_packages(),
+  install_requires=['requests>=2.25.1','openai>=0.28.0'],
+  classifiers=[
+    'Programming Language :: Python :: 3.13',
+    'License :: OSI Approved :: MIT License',
+    'Operating System :: OS Independent'
+  ],
+  keywords='files speedfiles ',
+  project_urls={
+    'GitHub': 'https://github.com/EgorZhizhlo/TASK_CONTROL'
+  },
+  python_requires='>=3.6'
+)