statslibx 0.2.8__tar.gz → 0.2.9__tar.gz

statslibx-0.2.9/PKG-INFO

@@ -0,0 +1,329 @@
+Metadata-Version: 2.4
+Name: statslibx
+Version: 0.2.9
+Summary: Statistical library for descriptive, inferential, and computational analysis
+Author: Emmanuel Ascendra
+License: MIT
+Project-URL: Homepage, https://github.com/GhostAnalyst30/StatsLibX
+Project-URL: Documentation, https://ghostanalyst30.github.io/StatsLibX/
+Keywords: statistics,data-science,pandas,polars
+Classifier: Programming Language :: Python :: 3
+Classifier: Topic :: Scientific/Engineering :: Mathematics
+Requires-Python: >=3.9
+Description-Content-Type: text/markdown
+Requires-Dist: numpy>=1.21
+Requires-Dist: pandas>=1.3
+Requires-Dist: polars>=0.20
+Requires-Dist: scipy>=1.7
+Requires-Dist: matplotlib>=3.4
+Requires-Dist: seaborn>=0.11
+Requires-Dist: plotly>=5.0
+Requires-Dist: sympy>=1.9
+Provides-Extra: viewx
+Requires-Dist: viewx>=0.2.3; extra == "viewx"
+Provides-Extra: statsmodels
+Requires-Dist: statsmodels>=0.13; extra == "statsmodels"
+Provides-Extra: sklearn
+Requires-Dist: scikit-learn>=1.0; extra == "sklearn"
+Provides-Extra: excel
+Requires-Dist: openpyxl>=3.0; extra == "excel"
+Provides-Extra: all
+Requires-Dist: polars>=0.20; extra == "all"
+Requires-Dist: viewx>=0.2.3; extra == "all"
+Requires-Dist: statsmodels>=0.13; extra == "all"
+Requires-Dist: scikit-learn>=1.0; extra == "all"
+Requires-Dist: openpyxl>=3.0; extra == "all"
+
+<p align="center">
+  <img src="https://raw.githubusercontent.com/GhostAnalyst30/StatsLibX/main/StatsLibX.png" alt="StatsLibX" width="420"/>
+</p>
+
+<h1 align="center">StatsLibX</h1>
+
+<p align="center">
+  <strong>Estadística descriptiva, inferencial y computacional para Python — con pandas, polars y ViewX.</strong>
+</p>
+
+<p align="center">
+  <a href="https://pypi.org/project/statslibx/"><img src="https://img.shields.io/pypi/v/statslibx?label=PyPI&color=7c6af7" alt="PyPI version"/></a>
+  <a href="https://pypi.org/project/statslibx/"><img src="https://img.shields.io/pypi/pyversions/statslibx?label=Python&color=4fd1c5" alt="Python versions"/></a>
+  <a href="https://github.com/GhostAnalyst30/StatsLibX/blob/main/LICENSE"><img src="https://img.shields.io/badge/license-MIT-blue.svg" alt="License MIT"/></a>
+  <a href="https://github.com/GhostAnalyst30/StatsLibX"><img src="https://img.shields.io/github/stars/GhostAnalyst30/StatsLibX?style=social" alt="GitHub stars"/></a>
+</p>
+
+<p align="center">
+  <a href="https://ghostanalyst30.github.io/StatsLibX/">Documentación</a> ·
+  <a href="https://github.com/GhostAnalyst30/StatsLibX/blob/main/how_use_statslibx.ipynb">Notebook API</a> ·
+  <a href="https://github.com/GhostAnalyst30/StatsLibX/issues">Issues</a> ·
+  <a href="https://ghostanalyst30.github.io/ViewX/">ViewX</a>
+</p>
+
+---
+
+**StatsLibX** es una librería de Python moderna para análisis estadístico y ciencia de datos. Ofrece una API clara basada en clases, soporte dual **pandas / polars**, datasets embebidos, preprocesamiento, estadística computacional y un puente de reportes con **ViewX**.
+
+> **Versión actual:** `0.2.9` · **Autor:** Emmanuel Ascendra
+
+---
+
+## Novedades en v0.2.9
+
+| Área | Cambio |
+|------|--------|
+| **Arquitectura** | Capa `Backend` unificada en todos los módulos de dominio |
+| **Polars** | `load_dataset(backend="polars")` y constructores compatibles con `pl.DataFrame` |
+| **API** | `DescriptiveStats.from_file()`, `InferentialStats.from_file()`, `ComputationalStats.help()` |
+| **Preprocessing** | `clean_data()` ampliado (escalado, outliers, transforms) y `change_dtypes()` con polars |
+| **ViewX** | `to_report_data()` — serializa resultados statslibx para `Report` / `HTML` |
+| **Packaging** | `pyproject.toml`, extras opcionales, CLI `statslibx`, marcador `py.typed` |
+| **Docs web** | Sitio Next.js v0.2.9, playground Pyodide alineado con la API real |
+
+---
+
+## Instalación
+
+```bash
+pip install statslibx
+```
+
+### Extras opcionales
+
+```bash
+# ViewX (reportes HTML, slides, matrices)
+pip install statslibx[viewx]
+
+# Regresión avanzada (statsmodels / sklearn)
+pip install statslibx[statsmodels,sklearn]
+
+# Excel + todo incluido
+pip install statslibx[excel]
+pip install statslibx[all]
+```
+
+| Extra | Paquetes |
+|-------|----------|
+| `viewx` | viewx ≥ 0.2.3 |
+| `statsmodels` | statsmodels ≥ 0.13 |
+| `sklearn` | scikit-learn ≥ 1.0 |
+| `excel` | openpyxl ≥ 3.0 |
+| `all` | Todos los anteriores |
+
+**Requisitos:** Python ≥ 3.9 · numpy · pandas · scipy · matplotlib · seaborn · plotly · sympy
+
+---
+
+## Inicio rápido
+
+```python
+import statslibx as slx
+from statslibx import DescriptiveStats, InferentialStats, ComputationalStats, Preprocessing
+from statslibx.datasets import load_iris, generate_dataset
+
+print(f"StatsLibX v{slx.__version__}")
+
+# Cargar dataset embebido (iris, penguins, titanic)
+iris = load_iris()
+print(iris.head())
+
+# Estadística descriptiva
+ds = DescriptiveStats(iris)
+print(ds.mean("sepal_length"))
+print(ds.summary())
+
+# Prueba inferencial
+inf = InferentialStats(iris)
+print(inf.t_test_1sample("sepal_length", popmean=5.8))
+
+# Desde archivo
+stats = DescriptiveStats.from_file("mi_datos.csv")
+
+# Datos sintéticos
+schema = {
+    "age": {"dist": "normal", "mean": 35, "std": 10, "type": "int"},
+    "group": {"dist": "categorical", "choices": ["A", "B", "C"]},
+}
+df = generate_dataset(n_rows=500, schema=schema, seed=42)
+```
+
+### Motores de datos (pandas / polars)
+
+Todas las clases que reciben DataFrames soportan el parámetro `backend`:
+
+```python
+from statslibx import DescriptiveStats, InferentialStats, ComputationalStats, Preprocessing
+
+df = load_iris()
+
+# Auto-detecta: pandas DataFrame → pandas, polars DataFrame → polars
+DescriptiveStats(df)
+InferentialStats(df)
+ComputationalStats(df)
+Preprocessing(df)
+
+# Forzar motor polars (convierte pandas → polars internamente)
+DescriptiveStats(df, backend="polars")
+InferentialStats(df, backend="polars")
+ComputationalStats(df, backend="polars")
+Preprocessing(df, backend="polars")
+
+# Forzar motor pandas (convierte polars → pandas)
+# InferentialStats(pl_df, backend="pandas")
+
+# Desde archivo
+DescriptiveStats.from_file("datos.csv", backend="polars")
+InferentialStats.from_file("datos.csv", backend="polars")
+ComputationalStats.from_file("datos.csv", backend="polars")
+Preprocessing.from_file("datos.csv", backend="polars")
+
+# Inspeccionar motor activo
+stats = DescriptiveStats(df, backend="polars")
+print(stats.backend)  # "polars"
+```
+
+Carga directa con polars:
+
+```python
+from statslibx.datasets import load_dataset
+
+df = load_dataset("iris.csv", backend="polars")  # requiere pip install polars
+stats = DescriptiveStats(df)
+print(stats.backend)  # "polars" (auto-detectado)
+```
+
+---
+
+## Módulos
+
+| Clase / Módulo | Descripción |
+|----------------|-------------|
+| **`DescriptiveStats`** | Media, mediana, varianza, correlación, regresión lineal, outliers, resúmenes |
+| **`InferentialStats`** | t-tests, ANOVA, chi-cuadrado, intervalos de confianza, normalidad |
+| **`ComputationalStats`** | Regresión polinomial, bootstrap, k-means, interpolación, correlación |
+| **`Preprocessing`** | Limpieza, nulos, escalado, outliers, calidad de datos, dtypes |
+| **`UtilsStats`** | Carga de archivos, visualización (matplotlib / seaborn / plotly), effect size |
+| **`datasets`** | `load_dataset`, `load_iris`, `load_penguins`, `generate_dataset` |
+| **`Backend`** | Abstracción pandas / polars (`statslibx.backend`) |
+| **`viewx`** | `HTML`, `Slides`, `Report`, `DataMatrix`, `to_report_data` |
+
+---
+
+## Integración ViewX
+
+StatsLibX se conecta con [ViewX](https://ghostanalyst30.github.io/ViewX/) para generar reportes y visualizaciones a partir de resultados estadísticos.
+
+```python
+from statslibx import DescriptiveStats, Report, to_report_data
+
+df = load_iris()
+summary = DescriptiveStats(df).summary()
+```
+
+<p align="center">
+  <img src="https://raw.githubusercontent.com/GhostAnalyst30/ViewX/main/images_for_git/DashBoard_Example.png" alt="ViewX example" width="600"/>
+</p>
+
+```bash
+pip install statslibx[viewx]
+```
+
+---
+
+## CLI — Terminal
+
+StatsLibX incluye una interfaz de línea de comandos para explorar CSV sin escribir código.
+
+```bash
+statslibx data iris.csv --summary --types --missing
+statslibx describe iris.csv --numeric
+statslibx describe iris.csv --categorical
+statslibx quality iris.csv --verbose
+statslibx preview iris.csv -n 10
+statslibx info iris.csv --detailed
+statslibx --help
+```
+
+---
+
+## Estadística computacional
+
+```python
+from statslibx import ComputationalStats
+
+cs = ComputationalStats(df, seed=42)
+
+# Regresión con términos de interacción
+model = cs.regression(X=["age", "score"], y="income", interaction_terms=True)
+print(model.get_formula())
+print(model.summary())
+
+# Bootstrap
+boot = cs.bootstrapping("income", n_samples=1000, statistic="mean")
+print(boot.summary())
+
+# Clustering
+kmeans = cs.k_means(k=3)
+elbow = cs.elbow_method(max_k=10)
+```
+
+---
+
+## Preprocesamiento
+
+```python
+pp = Preprocessing(df)
+
+pp.data_quality()
+pp.clean_data(
+    drop_duplicates=True,
+    handle_missing=True,
+    missing_strategy="median",
+    scale=True,
+    scaling_method="standard",
+    remove_outliers=True,
+)
+pp.preview_data(n=5)
+```
+
+---
+
+## Documentación
+
+| Recurso | Enlace |
+|---------|--------|
+| Documentación estática | [GitHub Pages](https://statslibx.vercel.app/) |
+| Notebook completo (181 celdas) | [how_use_statslibx.ipynb](https://github.com/GhostAnalyst30/StatsLibX/blob/main/how_use_statslibx.ipynb) |
+| Repositorio | [github.com/GhostAnalyst30/StatsLibX](https://github.com/GhostAnalyst30/StatsLibX) |
+| ViewX | [ViewX Page](https://viewx.vercel.app/) |
+
+---
+
+## Estructura del paquete
+
+```
+statslibx/
+├── descriptive.py      # DescriptiveStats, DescriptiveSummary, LinearRegressionResult
+├── inferential.py      # InferentialStats, TestResult
+├── computational.py    # ComputationalStats, RegressionResult, BootstrappingResult
+├── preprocessing/      # Preprocessing
+├── datasets/           # iris, penguins, titanic + generate_dataset
+├── utils.py            # UtilsStats (I/O, plots, outliers)
+├── backend.py          # Backend pandas / polars
+├── viewx/              # Puente ViewX + to_report_data
+├── cli.py              # statslibx CLI
+└── py.typed            # PEP 561 typed package
+```
+---
+
+## Contribuciones
+
+¡Todas las mejoras e ideas son bienvenidas!
+
+Abre un [issue](https://github.com/GhostAnalyst30/StatsLibX/issues) o un pull request en GitHub.
+
+**Contacto:** [ascendraemmanuel@gmail.com](mailto:ascendraemmanuel@gmail.com)
+
+---
+
+<p align="center">
+  Desarrollado por <strong>Emmanuel Ascendra</strong> · StatsLibX v0.2.9 · MIT License
+</p>

statslibx-0.2.9/README.md

@@ -0,0 +1,293 @@
+<p align="center">
+  <img src="https://raw.githubusercontent.com/GhostAnalyst30/StatsLibX/main/StatsLibX.png" alt="StatsLibX" width="420"/>
+</p>
+
+<h1 align="center">StatsLibX</h1>
+
+<p align="center">
+  <strong>Estadística descriptiva, inferencial y computacional para Python — con pandas, polars y ViewX.</strong>
+</p>
+
+<p align="center">
+  <a href="https://pypi.org/project/statslibx/"><img src="https://img.shields.io/pypi/v/statslibx?label=PyPI&color=7c6af7" alt="PyPI version"/></a>
+  <a href="https://pypi.org/project/statslibx/"><img src="https://img.shields.io/pypi/pyversions/statslibx?label=Python&color=4fd1c5" alt="Python versions"/></a>
+  <a href="https://github.com/GhostAnalyst30/StatsLibX/blob/main/LICENSE"><img src="https://img.shields.io/badge/license-MIT-blue.svg" alt="License MIT"/></a>
+  <a href="https://github.com/GhostAnalyst30/StatsLibX"><img src="https://img.shields.io/github/stars/GhostAnalyst30/StatsLibX?style=social" alt="GitHub stars"/></a>
+</p>
+
+<p align="center">
+  <a href="https://ghostanalyst30.github.io/StatsLibX/">Documentación</a> ·
+  <a href="https://github.com/GhostAnalyst30/StatsLibX/blob/main/how_use_statslibx.ipynb">Notebook API</a> ·
+  <a href="https://github.com/GhostAnalyst30/StatsLibX/issues">Issues</a> ·
+  <a href="https://ghostanalyst30.github.io/ViewX/">ViewX</a>
+</p>
+
+---
+
+**StatsLibX** es una librería de Python moderna para análisis estadístico y ciencia de datos. Ofrece una API clara basada en clases, soporte dual **pandas / polars**, datasets embebidos, preprocesamiento, estadística computacional y un puente de reportes con **ViewX**.
+
+> **Versión actual:** `0.2.9` · **Autor:** Emmanuel Ascendra
+
+---
+
+## Novedades en v0.2.9
+
+| Área | Cambio |
+|------|--------|
+| **Arquitectura** | Capa `Backend` unificada en todos los módulos de dominio |
+| **Polars** | `load_dataset(backend="polars")` y constructores compatibles con `pl.DataFrame` |
+| **API** | `DescriptiveStats.from_file()`, `InferentialStats.from_file()`, `ComputationalStats.help()` |
+| **Preprocessing** | `clean_data()` ampliado (escalado, outliers, transforms) y `change_dtypes()` con polars |
+| **ViewX** | `to_report_data()` — serializa resultados statslibx para `Report` / `HTML` |
+| **Packaging** | `pyproject.toml`, extras opcionales, CLI `statslibx`, marcador `py.typed` |
+| **Docs web** | Sitio Next.js v0.2.9, playground Pyodide alineado con la API real |
+
+---
+
+## Instalación
+
+```bash
+pip install statslibx
+```
+
+### Extras opcionales
+
+```bash
+# ViewX (reportes HTML, slides, matrices)
+pip install statslibx[viewx]
+
+# Regresión avanzada (statsmodels / sklearn)
+pip install statslibx[statsmodels,sklearn]
+
+# Excel + todo incluido
+pip install statslibx[excel]
+pip install statslibx[all]
+```
+
+| Extra | Paquetes |
+|-------|----------|
+| `viewx` | viewx ≥ 0.2.3 |
+| `statsmodels` | statsmodels ≥ 0.13 |
+| `sklearn` | scikit-learn ≥ 1.0 |
+| `excel` | openpyxl ≥ 3.0 |
+| `all` | Todos los anteriores |
+
+**Requisitos:** Python ≥ 3.9 · numpy · pandas · scipy · matplotlib · seaborn · plotly · sympy
+
+---
+
+## Inicio rápido
+
+```python
+import statslibx as slx
+from statslibx import DescriptiveStats, InferentialStats, ComputationalStats, Preprocessing
+from statslibx.datasets import load_iris, generate_dataset
+
+print(f"StatsLibX v{slx.__version__}")
+
+# Cargar dataset embebido (iris, penguins, titanic)
+iris = load_iris()
+print(iris.head())
+
+# Estadística descriptiva
+ds = DescriptiveStats(iris)
+print(ds.mean("sepal_length"))
+print(ds.summary())
+
+# Prueba inferencial
+inf = InferentialStats(iris)
+print(inf.t_test_1sample("sepal_length", popmean=5.8))
+
+# Desde archivo
+stats = DescriptiveStats.from_file("mi_datos.csv")
+
+# Datos sintéticos
+schema = {
+    "age": {"dist": "normal", "mean": 35, "std": 10, "type": "int"},
+    "group": {"dist": "categorical", "choices": ["A", "B", "C"]},
+}
+df = generate_dataset(n_rows=500, schema=schema, seed=42)
+```
+
+### Motores de datos (pandas / polars)
+
+Todas las clases que reciben DataFrames soportan el parámetro `backend`:
+
+```python
+from statslibx import DescriptiveStats, InferentialStats, ComputationalStats, Preprocessing
+
+df = load_iris()
+
+# Auto-detecta: pandas DataFrame → pandas, polars DataFrame → polars
+DescriptiveStats(df)
+InferentialStats(df)
+ComputationalStats(df)
+Preprocessing(df)
+
+# Forzar motor polars (convierte pandas → polars internamente)
+DescriptiveStats(df, backend="polars")
+InferentialStats(df, backend="polars")
+ComputationalStats(df, backend="polars")
+Preprocessing(df, backend="polars")
+
+# Forzar motor pandas (convierte polars → pandas)
+# InferentialStats(pl_df, backend="pandas")
+
+# Desde archivo
+DescriptiveStats.from_file("datos.csv", backend="polars")
+InferentialStats.from_file("datos.csv", backend="polars")
+ComputationalStats.from_file("datos.csv", backend="polars")
+Preprocessing.from_file("datos.csv", backend="polars")
+
+# Inspeccionar motor activo
+stats = DescriptiveStats(df, backend="polars")
+print(stats.backend)  # "polars"
+```
+
+Carga directa con polars:
+
+```python
+from statslibx.datasets import load_dataset
+
+df = load_dataset("iris.csv", backend="polars")  # requiere pip install polars
+stats = DescriptiveStats(df)
+print(stats.backend)  # "polars" (auto-detectado)
+```
+
+---
+
+## Módulos
+
+| Clase / Módulo | Descripción |
+|----------------|-------------|
+| **`DescriptiveStats`** | Media, mediana, varianza, correlación, regresión lineal, outliers, resúmenes |
+| **`InferentialStats`** | t-tests, ANOVA, chi-cuadrado, intervalos de confianza, normalidad |
+| **`ComputationalStats`** | Regresión polinomial, bootstrap, k-means, interpolación, correlación |
+| **`Preprocessing`** | Limpieza, nulos, escalado, outliers, calidad de datos, dtypes |
+| **`UtilsStats`** | Carga de archivos, visualización (matplotlib / seaborn / plotly), effect size |
+| **`datasets`** | `load_dataset`, `load_iris`, `load_penguins`, `generate_dataset` |
+| **`Backend`** | Abstracción pandas / polars (`statslibx.backend`) |
+| **`viewx`** | `HTML`, `Slides`, `Report`, `DataMatrix`, `to_report_data` |
+
+---
+
+## Integración ViewX
+
+StatsLibX se conecta con [ViewX](https://ghostanalyst30.github.io/ViewX/) para generar reportes y visualizaciones a partir de resultados estadísticos.
+
+```python
+from statslibx import DescriptiveStats, Report, to_report_data
+
+df = load_iris()
+summary = DescriptiveStats(df).summary()
+```
+
+<p align="center">
+  <img src="https://raw.githubusercontent.com/GhostAnalyst30/ViewX/main/images_for_git/DashBoard_Example.png" alt="ViewX example" width="600"/>
+</p>
+
+```bash
+pip install statslibx[viewx]
+```
+
+---
+
+## CLI — Terminal
+
+StatsLibX incluye una interfaz de línea de comandos para explorar CSV sin escribir código.
+
+```bash
+statslibx data iris.csv --summary --types --missing
+statslibx describe iris.csv --numeric
+statslibx describe iris.csv --categorical
+statslibx quality iris.csv --verbose
+statslibx preview iris.csv -n 10
+statslibx info iris.csv --detailed
+statslibx --help
+```
+
+---
+
+## Estadística computacional
+
+```python
+from statslibx import ComputationalStats
+
+cs = ComputationalStats(df, seed=42)
+
+# Regresión con términos de interacción
+model = cs.regression(X=["age", "score"], y="income", interaction_terms=True)
+print(model.get_formula())
+print(model.summary())
+
+# Bootstrap
+boot = cs.bootstrapping("income", n_samples=1000, statistic="mean")
+print(boot.summary())
+
+# Clustering
+kmeans = cs.k_means(k=3)
+elbow = cs.elbow_method(max_k=10)
+```
+
+---
+
+## Preprocesamiento
+
+```python
+pp = Preprocessing(df)
+
+pp.data_quality()
+pp.clean_data(
+    drop_duplicates=True,
+    handle_missing=True,
+    missing_strategy="median",
+    scale=True,
+    scaling_method="standard",
+    remove_outliers=True,
+)
+pp.preview_data(n=5)
+```
+
+---
+
+## Documentación
+
+| Recurso | Enlace |
+|---------|--------|
+| Documentación estática | [GitHub Pages](https://statslibx.vercel.app/) |
+| Notebook completo (181 celdas) | [how_use_statslibx.ipynb](https://github.com/GhostAnalyst30/StatsLibX/blob/main/how_use_statslibx.ipynb) |
+| Repositorio | [github.com/GhostAnalyst30/StatsLibX](https://github.com/GhostAnalyst30/StatsLibX) |
+| ViewX | [ViewX Page](https://viewx.vercel.app/) |
+
+---
+
+## Estructura del paquete
+
+```
+statslibx/
+├── descriptive.py      # DescriptiveStats, DescriptiveSummary, LinearRegressionResult
+├── inferential.py      # InferentialStats, TestResult
+├── computational.py    # ComputationalStats, RegressionResult, BootstrappingResult
+├── preprocessing/      # Preprocessing
+├── datasets/           # iris, penguins, titanic + generate_dataset
+├── utils.py            # UtilsStats (I/O, plots, outliers)
+├── backend.py          # Backend pandas / polars
+├── viewx/              # Puente ViewX + to_report_data
+├── cli.py              # statslibx CLI
+└── py.typed            # PEP 561 typed package
+```
+---
+
+## Contribuciones
+
+¡Todas las mejoras e ideas son bienvenidas!
+
+Abre un [issue](https://github.com/GhostAnalyst30/StatsLibX/issues) o un pull request en GitHub.
+
+**Contacto:** [ascendraemmanuel@gmail.com](mailto:ascendraemmanuel@gmail.com)
+
+---
+
+<p align="center">
+  Desarrollado por <strong>Emmanuel Ascendra</strong> · StatsLibX v0.2.9 · MIT License
+</p>

statslibx-0.2.9/pyproject.toml

@@ -0,0 +1,58 @@
+[build-system]
+requires = ["setuptools>=61", "wheel"]
+build-backend = "setuptools.build_meta"
+
+[project]
+name = "statslibx"
+version = "0.2.9"
+description = "Statistical library for descriptive, inferential, and computational analysis"
+readme = "README.md"
+requires-python = ">=3.9"
+license = { text = "MIT" }
+authors = [{ name = "Emmanuel Ascendra" }]
+keywords = ["statistics", "data-science", "pandas", "polars"]
+classifiers = [
+    "Programming Language :: Python :: 3",
+    "Topic :: Scientific/Engineering :: Mathematics",
+]
+dependencies = [
+    "numpy>=1.21",
+    "pandas>=1.3",
+    "polars>=0.20",
+    "scipy>=1.7",
+    "matplotlib>=3.4",
+    "seaborn>=0.11",
+    "plotly>=5.0",
+    "sympy>=1.9",
+]
+
+[project.optional-dependencies]
+viewx = ["viewx>=0.2.3"]
+statsmodels = ["statsmodels>=0.13"]
+sklearn = ["scikit-learn>=1.0"]
+excel = ["openpyxl>=3.0"]
+all = [
+    "polars>=0.20",
+    "viewx>=0.2.3",
+    "statsmodels>=0.13",
+    "scikit-learn>=1.0",
+    "openpyxl>=3.0",
+]
+
+[project.scripts]
+statslibx = "statslibx.cli:main"
+
+[project.urls]
+Homepage = "https://github.com/GhostAnalyst30/StatsLibX"
+Documentation = "https://ghostanalyst30.github.io/StatsLibX/"
+
+[tool.setuptools.packages.find]
+where = ["."]
+include = ["statslibx*"]
+
+[tool.setuptools.package-data]
+statslibx = ["py.typed", "datasets/*.csv"]
+
+[tool.pytest.ini_options]
+testpaths = ["tests"]
+python_files = ["test_*.py"]