neutonsevero
2db98e95da
- Replace per-term Python loop in _logpdf with a single vectorised kve call (shape N×M) in both ricegamma_gen and logricegamma_gen, giving order-of-magnitude speedup on large batch inputs. - Add adaptive series truncation: n_terms ≈ 3K+30, collapses to n=1 when K=0 so no unnecessary computation. - Cache Gauss-Laguerre quadrature nodes in _cdf to avoid recomputing roots_genlaguerre on every optimiser call. - Add fit() override that re-fits with K fixed to 0 when the MLE estimate falls below _K_ZERO_THRESH (1e-2), avoiding near-zero Rice series numerical issues. - Register logricegamma in the generate_data.py fitting pipeline. - Reduce ricegamma N_SERIES 90→36; adaptive truncation handles accuracy.
Clutter_chuva
Repositorio para códigos de fitting de distribuições de dados de chuva e clutter.
Gerenciamento de dependências
Este projeto usa uv para gerenciar dependências e ambientes virtuais.
Instalação do uv
curl -LsSf https://astral.sh/uv/install.sh | sh
Configurar o ambiente
# Cria o ambiente virtual e instala todas as dependências
uv sync
Adicionar dependências
# Adicionar um pacote ao projeto
uv add <pacote>
# Adicionar dependência de desenvolvimento
uv add --dev <pacote>
Executar scripts
# Executar um script dentro do ambiente virtual
uv run python scripts/meu_script.py
# Abrir o Jupyter
uv run jupyter notebook
As dependências do projeto estão declaradas em pyproject.toml e o lockfile uv.lock garante reprodutibilidade do ambiente.
Uso nos notebooks
from etc import Fitter
from scipy.stats import gamma, weibull_min, lognorm
fitter = Fitter(
[gamma, weibull_min, lognorm],
gamma_params={'floc': 0},
)
fitter.fit(data)
fitter.validate(n_mc_samples=999)
fitter.summary()
fitter.histogram_with_fits().show()
Estrutura
etc/ # pacote principal (importável nos notebooks)
fitting/ # Fitter e DistributionSummary
tools/ # funções de visualização (plots, CDF)
notebooks/ # notebooks Jupyter
scripts/ # scripts .py para execução em background
data/ # dados (não versionados)