statslibx 0.1.0__tar.gz → 0.1.2__tar.gz

{statslibx-0.1.0 → statslibx-0.1.2}/PKG-INFO

@@ -1,8 +1,8 @@
 Metadata-Version: 2.4
 Name: statslibx
-Version: 0.1.0
+Version: 0.1.2
 Summary: Librería de estadística descriptiva e inferencial para Python
-Home-page: https://github.com/Immanuel3008/StatsLibrary
+Home-page: https://github.com/Immanuel3008/StatsLibX
 Author: Emmanuel Ascendra Perez
 Author-email: ascendraemmanuel@gmail.com
 Classifier: Development Status :: 3 - Alpha
@@ -43,4 +43,35 @@ Dynamic: requires-dist
 Dynamic: requires-python
 Dynamic: summary
 
-Librería de estadística descriptiva e inferencial para Python
+📦 Descripción para PyPI (Plantilla Profesional)
+
+StatsLibX es un paquete de Python diseñado para proporcionar una solución sencilla, eficiente y flexible para manejar volumenes de datos.
+
+Este proyecto surge con la idea de ofrecer una alternativa moderna, intuitiva y ligera que permita a desarrolladores y entusiastas integrar la estadistica descriptiva e inferencial sin complicaciones, con multiples funcionalidades y utilidades pensadas para el futuro.
+
+✨ Características principales
+
+⚡ Rápido y eficiente: optimizado para ofrecer un rendimiento suave incluso en tareas exigentes.
+
+🧩 Fácil de usar: una API limpia para que empieces en segundos.
+
+🔧 Altamente extensible: personalízalo según tus necesidades.
+
+📚 Documentación clara: ejemplos simples y prácticos.
+
+🔮 Diseñado con visión a futuro: construido para escalar y adaptarse.
+
+🚀 Ejemplo rápido
+from statslibx import DescriptiveStats, InferentialStats, UtilsStats
+
+stats = DescriptiveStats(data) # InferentialStats(data), UtilsStats()
+stats.help()
+
+📦 Instalación
+pip install statslibx
+
+🤝 Contribuciones
+
+¡Todas las mejoras e ideas son bienvenidas! 
+
+E-mail: ascendraemmanuel@gmail.com

statslibx-0.1.2/README.md

@@ -0,0 +1,32 @@
+📦 Descripción para PyPI (Plantilla Profesional)
+
+StatsLibX es un paquete de Python diseñado para proporcionar una solución sencilla, eficiente y flexible para manejar volumenes de datos.
+
+Este proyecto surge con la idea de ofrecer una alternativa moderna, intuitiva y ligera que permita a desarrolladores y entusiastas integrar la estadistica descriptiva e inferencial sin complicaciones, con multiples funcionalidades y utilidades pensadas para el futuro.
+
+✨ Características principales
+
+⚡ Rápido y eficiente: optimizado para ofrecer un rendimiento suave incluso en tareas exigentes.
+
+🧩 Fácil de usar: una API limpia para que empieces en segundos.
+
+🔧 Altamente extensible: personalízalo según tus necesidades.
+
+📚 Documentación clara: ejemplos simples y prácticos.
+
+🔮 Diseñado con visión a futuro: construido para escalar y adaptarse.
+
+🚀 Ejemplo rápido
+from statslibx import DescriptiveStats, InferentialStats, UtilsStats
+
+stats = DescriptiveStats(data) # InferentialStats(data), UtilsStats()
+stats.help()
+
+📦 Instalación
+pip install statslibx
+
+🤝 Contribuciones
+
+¡Todas las mejoras e ideas son bienvenidas! 
+
+E-mail: ascendraemmanuel@gmail.com

{statslibx-0.1.0 → statslibx-0.1.2}/setup.py

@@ -9,13 +9,13 @@ except FileNotFoundError:
 
 setup(
     name="statslibx",
-    version="0.1.0",
+    version="0.1.2",
     author="Emmanuel Ascendra Perez",
     author_email="ascendraemmanuel@gmail.com",
     description="Librería de estadística descriptiva e inferencial para Python",
     long_description=long_description,
     long_description_content_type="text/markdown",
-    url="https://github.com/Immanuel3008/StatsLibrary",  # Opcional
+    url="https://github.com/Immanuel3008/StatsLibX",  # Opcional
     packages=find_packages(),  # Encuentra automáticamente todos los paquetes
     classifiers=[
         "Development Status :: 3 - Alpha",

{statslibx-0.1.0/statslib → statslibx-0.1.2/statslibx}/__init__.py

@@ -1,10 +1,10 @@
 """
 StatsLibx - Librería de Estadística para Python
 Autor: Emmanuel Ascendra
-Versión: 0.1.0
+Versión: 0.1.2
 """
 
-__version__ = "0.1.0"
+__version__ = "0.1.2"
 __author__ = "Emmanuel Ascendra"
 
 # Importar las clases principales
@@ -26,10 +26,11 @@ __all__ = [
 # Mensaje de bienvenida (opcional)
 def welcome():
     """Muestra información sobre la librería"""
-    print(f"StatsLib v{__version__}")
+    print(f"StatsLibx v{__version__}")
     print(f"Librería de estadística descriptiva e inferencial")
     print(f"Autor: {__author__}")
     print(f"\nClases disponibles:")
     print(f"  - DescriptiveStats: Estadística descriptiva")
     print(f"  - InferentialStats: Estadística inferencial")
-    print(f"\nPara más información: help(statslib)")
+    print(f"  - UtilsStats: Utilidades Extras")
+    print(f"\nPara más información: help(statslibx)")

{statslibx-0.1.0/statslib → statslibx-0.1.2/statslibx}/descriptive.py

@@ -311,47 +311,198 @@ class DescriptiveStats:
         Muestra ayuda completa de la clase DescriptiveStats
         """
         help_text = """
-            📈 CLASE DescriptiveStats - AYUDA COMPLETA
+╔════════════════════════════════════════════════════════════════════════════╗
+║                    📊 CLASE DescriptiveStats - AYUDA COMPLETA              ║
+╚════════════════════════════════════════════════════════════════════════════╝
 
-            Clase para análisis estadístico descriptivo univariado y multivariado
+📝 DESCRIPCIÓN:
+   Clase para análisis estadístico descriptivo univariado y multivariado.
+   Proporciona herramientas para análisis exploratorio de datos, medidas de
+   tendencia central, dispersión, forma de distribución y regresión lineal.
 
-            🔧 MÉTODOS PRINCIPALES:
+━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
 
-            1. 📊 ESTADÍSTICAS UNIVARIADAS:
-            • .mean(), .median(), .mode()        # Tendencia central
-            • .std(), .variance()                # Dispersión  
-            • .skewness(), .kurtosis()           # Forma de distribución
-            • .quantile(0.25)                    # Cuantiles
-            • .outliers('columna')               # Detección de outliers
+📋 MÉTODOS PRINCIPALES:
 
-            2. 🔗 ESTADÍSTICAS MULTIVARIADAS:
-            • .correlation()                     # Matriz de correlación
-            • .covariance()                      # Matriz de covarianza
+┌────────────────────────────────────────────────────────────────────────────┐
+│ 1. 📊 ESTADÍSTICAS UNIVARIADAS                                             │
+└────────────────────────────────────────────────────────────────────────────┘
 
-            3. 📋 RESUMEN COMPLETO:
-            • .summary()                         # Resumen descriptivo completo
-            • .summary(show_plot=True)           # Con visualizaciones
+  🔹 Medidas de Tendencia Central:
+     • .mean(column=None)              → Media aritmética
+     • .median(column=None)            → Mediana (valor central)
+     • .mode(column=None)              → Moda (valor más frecuente)
 
-            4. 📈 REGRESIÓN LINEAL:
-            • .linear_regression(y, X)           # Regresión simple/múltiple
+  🔹 Medidas de Dispersión:
+     • .std(column=None)               → Desviación estándar
+     • .variance(column=None)          → Varianza
+     • .quantile(q, column=None)       → Cuantiles/Percentiles
 
-            💡 EJEMPLOS DE USO:
+  🔹 Medidas de Forma:
+     • .skewness(column=None)          → Asimetría (sesgo)
+     • .kurtosis(column=None)          → Curtosis (apuntamiento)
 
-            # Inicializar
-            estadisticas = DescriptiveStats(mi_dataframe)
+  🔹 Detección de Valores Atípicos:
+     • .outliers(column, method='iqr', threshold=1.5)
+       Métodos: 'iqr' (rango intercuartílico) o 'zscore' (puntuación z)
 
-            # Análisis univariado
-            media = estadisticas.mean('edad')
-            resumen = estadisticas.summary()
+┌────────────────────────────────────────────────────────────────────────────┐
+│ 2. 🔗 ESTADÍSTICAS MULTIVARIADAS                                           │
+└────────────────────────────────────────────────────────────────────────────┘
 
-            # Regresión
-            modelo = estadisticas.linear_regression(
-                y='ventas', 
-                X=['publicidad', 'precio'],
-                show_plot=True
-            )
-            print(modelo.summary())
-            """
+  • .correlation(method='pearson', columns=None)
+    Matriz de correlación entre variables
+    Métodos: 'pearson', 'spearman', 'kendall'
+
+  • .covariance(columns=None)
+    Matriz de covarianza entre variables
+
+┌────────────────────────────────────────────────────────────────────────────┐
+│ 3. 📋 RESUMEN COMPLETO                                                     │
+└────────────────────────────────────────────────────────────────────────────┘
+
+  • .summary(columns=None, show_plot=False, plot_backend='seaborn')
+    Resumen descriptivo completo con todas las estadísticas
+    
+    Incluye: conteo, media, mediana, moda, desv. est., varianza,
+            mínimo, Q1, Q3, máximo, IQR, asimetría, curtosis
+
+┌────────────────────────────────────────────────────────────────────────────┐
+│ 4. 📈 REGRESIÓN LINEAL                                                     │
+└────────────────────────────────────────────────────────────────────────────┘
+
+  • .linear_regression(y, X, engine='statsmodels', 
+                      fit_intercept=True, show_plot=False,
+                      plot_backend='seaborn', handle_missing='drop')
+    
+    Regresión lineal simple o múltiple con análisis completo
+    
+    Parámetros:
+      y               : Variable dependiente (str)
+      X               : Variable(s) independiente(s) (str o list)
+      engine          : 'statsmodels' o 'scikit-learn'
+      fit_intercept   : Incluir intercepto (bool)
+      show_plot       : Mostrar gráficos diagnósticos (bool)
+      handle_missing  : 'drop', 'error', 'warn'
+
+━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
+
+💡 EJEMPLOS DE USO:
+
+  ┌─ Ejemplo 1: Inicialización ─────────────────────────────────────────────┐
+  │ import pandas as pd                                                      │
+  │ from descriptive import DescriptiveStats                                │
+  │                                                                          │
+  │ # Con DataFrame                                                          │
+  │ df = pd.read_csv('datos.csv')                                           │
+  │ stats = DescriptiveStats(df)                                            │
+  │                                                                          │
+  │ # Con array numpy                                                        │
+  │ import numpy as np                                                       │
+  │ datos = np.random.normal(0, 1, 1000)                                    │
+  │ stats = DescriptiveStats(datos)                                         │
+  └──────────────────────────────────────────────────────────────────────────┘
+
+  ┌─ Ejemplo 2: Análisis Univariado ────────────────────────────────────────┐
+  │ # Estadísticas de una columna                                           │
+  │ media = stats.mean('edad')                                              │
+  │ mediana = stats.median('edad')                                          │
+  │ desv_est = stats.std('edad')                                            │
+  │                                                                          │
+  │ # Cuartiles                                                              │
+  │ q25 = stats.quantile(0.25, 'edad')                                      │
+  │ q75 = stats.quantile(0.75, 'edad')                                      │
+  │                                                                          │
+  │ # Detectar outliers                                                      │
+  │ outliers_mask = stats.outliers('edad', method='iqr', threshold=1.5)    │
+  │ print(f"Outliers detectados: {outliers_mask.sum()}")                    │
+  └──────────────────────────────────────────────────────────────────────────┘
+
+  ┌─ Ejemplo 3: Resumen Completo ───────────────────────────────────────────┐
+  │ # Resumen de todas las variables numéricas                              │
+  │ resumen = stats.summary()                                               │
+  │ print(resumen)                                                           │
+  │                                                                          │
+  │ # Resumen de columnas específicas con visualización                     │
+  │ resumen = stats.summary(                                                │
+  │     columns=['edad', 'salario', 'experiencia'],                         │
+  │     show_plot=True,                                                     │
+  │     plot_backend='seaborn'                                              │
+  │ )                                                                        │
+  └──────────────────────────────────────────────────────────────────────────┘
+
+  ┌─ Ejemplo 4: Análisis Multivariado ──────────────────────────────────────┐
+  │ # Matriz de correlación                                                  │
+  │ corr_pearson = stats.correlation(method='pearson')                      │
+  │ corr_spearman = stats.correlation(method='spearman')                    │
+  │                                                                          │
+  │ # Matriz de covarianza                                                   │
+  │ cov_matrix = stats.covariance()                                         │
+  │                                                                          │
+  │ # Correlación entre variables específicas                               │
+  │ corr_subset = stats.correlation(                                        │
+  │     method='pearson',                                                   │
+  │     columns=['edad', 'salario', 'experiencia']                          │
+  │ )                                                                        │
+  └──────────────────────────────────────────────────────────────────────────┘
+
+  ┌─ Ejemplo 5: Regresión Lineal Simple ────────────────────────────────────┐
+  │ # Regresión simple: salario ~ experiencia                               │
+  │ modelo = stats.linear_regression(                                       │
+  │     y='salario',                                                        │
+  │     X='experiencia',                                                    │
+  │     engine='statsmodels',                                               │
+  │     show_plot=True                                                      │
+  │ )                                                                        │
+  │                                                                          │
+  │ # Ver resultados                                                         │
+  │ print(modelo.summary())                                                  │
+  │                                                                          │
+  │ # Acceder a coeficientes                                                 │
+  │ print(f"Intercepto: {modelo.intercept_}")                               │
+  │ print(f"Pendiente: {modelo.coef_[0]}")                                  │
+  │ print(f"R²: {modelo.r_squared}")                                        │
+  └──────────────────────────────────────────────────────────────────────────┘
+
+  ┌─ Ejemplo 6: Regresión Lineal Múltiple ──────────────────────────────────┐
+  │ # Regresión múltiple: salario ~ experiencia + edad + educacion          │
+  │ modelo = stats.linear_regression(                                       │
+  │     y='salario',                                                        │
+  │     X=['experiencia', 'edad', 'educacion'],                             │
+  │     engine='statsmodels',                                               │
+  │     fit_intercept=True,                                                 │
+  │     handle_missing='drop'                                               │
+  │ )                                                                        │
+  │                                                                          │
+  │ print(modelo.summary())                                                  │
+  │                                                                          │
+  │ # Hacer predicciones                                                     │
+  │ import numpy as np                                                       │
+  │ X_nuevo = np.array([[5, 30, 16], [10, 35, 18]])  # experiencia, edad   │
+  │ predicciones = modelo.predict(X_nuevo)                                  │
+  └──────────────────────────────────────────────────────────────────────────┘
+
+━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
+
+🎯 CARACTERÍSTICAS CLAVE:
+
+  ✓ Análisis univariado completo
+  ✓ Análisis multivariado (correlación, covarianza)
+  ✓ Detección de outliers con múltiples métodos
+  ✓ Regresión lineal con statsmodels o scikit-learn
+  ✓ Manejo automático de valores faltantes
+  ✓ Soporte para pandas DataFrame y numpy arrays
+  ✓ Salidas formateadas profesionales
+  ✓ Visualizaciones opcionales
+
+━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
+
+📚 DOCUMENTACIÓN ADICIONAL:
+   Para más información sobre métodos específicos, use:
+   help(DescriptiveStats.nombre_metodo)
+
+╚════════════════════════════════════════════════════════════════════════════╝
+    """
         print(help_text)
     
 class DescriptiveSummary: