feat(browser): auto-commit con 178 cambios

Co-Authored-By: Claude Opus 4.7 (1M context) <noreply@anthropic.com>

python/functions/datascience/cramers_v.md

@@ -0,0 +1,98 @@
+---
+id: cramers_v_py_datascience
+name: cramers_v
+kind: function
+lang: py
+domain: datascience
+version: "1.0.0"
+purity: pure
+signature: "def cramers_v(a: list, b: list) -> float"
+description: "Cramer's V del grupo eda: asociacion simetrica entre dos columnas categoricas pareadas (0=independientes, 1=asociacion perfecta), con correccion de sesgo Bergsma-Wicher. Descarta pares con None y devuelve 0.0 si hay <2 categorias o <2 pares. Funcion pura, sin pandas."
+tags: [eda, correlation, association, categorical, statistics, datascience]
+uses_functions: []
+uses_types: []
+returns: []
+returns_optional: false
+error_type: ""
+imports: []
+example: |
+  from datascience import cramers_v
+  a = ["red", "green", "blue", "red", "green", "blue"]
+  b = ["hot", "cool", "cool", "hot", "cool", "cool"]  # derivada de a
+  cramers_v(a, b)
+  # -> ~1.0 (asociacion perfecta)
+tested: true
+tests:
+  - "test_perfect_association_is_near_one"
+  - "test_independent_columns_low_value"
+  - "test_single_category_returns_zero"
+  - "test_fewer_than_two_pairs_returns_zero"
+  - "test_none_pairs_are_discarded"
+  - "test_always_returns_float_never_none"
+  - "test_derived_column_high_association"
+test_file_path: "python/functions/datascience/cramers_v_test.py"
+file_path: "python/functions/datascience/cramers_v.py"
+params:
+  - name: a
+    desc: >
+      Lista de valores categoricos hashables. Se empareja posicion a posicion
+      con `b`. Los pares donde `a[i]` sea None se descartan.
+  - name: b
+    desc: >
+      Lista de valores categoricos hashables pareada con `a` (idealmente misma
+      longitud). Los pares donde `b[i]` sea None se descartan. zip recorta a la
+      longitud minima de ambas listas.
+output: >
+  float en [0, 1]. 0.0 = variables independientes, 1.0 = asociacion perfecta.
+  Devuelve 0.0 cuando hay menos de 2 pares validos o menos de 2 categorias
+  distintas en alguna de las dos variables. Nunca devuelve None ni lanza
+  excepcion.
+---
+
+## Ejemplo
+
+```python
+from datascience import cramers_v
+
+# Dos categoricas asociadas: b se deriva de a con un mapeo fijo.
+a = ["red", "green", "blue", "red", "green", "blue", "red", "green", "blue"]
+mapping = {"red": "hot", "green": "cool", "blue": "cool"}
+b = [mapping[x] for x in a]
+
+cramers_v(a, b)
+# -> ~1.0  (saber el color predice perfectamente la temperatura)
+
+# Dos categoricas independientes (aleatorias) -> V cercana a 0.
+import random
+rng = random.Random(42)
+cats = ["a", "b", "c", "d"]
+x = [rng.choice(cats) for _ in range(2000)]
+y = [rng.choice(cats) for _ in range(2000)]
+cramers_v(x, y)
+# -> < 0.5  (no hay asociacion)
+```
+
+## Cuando usarla
+
+Cuando perfiles o exploras un dataset y necesites medir la **asociacion entre
+dos columnas categoricas** (no numericas): construir un heatmap de correlacion
+categorica, detectar columnas redundantes/derivadas una de otra, o decidir que
+features categoricas aportan informacion antes de modelar. Es el equivalente
+categorico de un coeficiente de correlacion: simetrica (`cramers_v(a, b) ==
+cramers_v(b, a)`) y normalizada a [0, 1].
+
+## Notas
+
+Funcion pura, sin I/O, sin pandas y sin mutar los inputs. Construye la tabla de
+contingencia con `collections.Counter` sobre los pares `(a_i, b_i)` y calcula
+chi-cuadrado a mano (`sum((obs-exp)^2/exp)`), por lo que solo depende de la
+stdlib.
+
+Aplica la **correccion de sesgo de Bergsma-Wicher**, que reduce el inflado de V
+en tablas pequenas: `phi2corr = max(0, phi2 - (r-1)(k-1)/(n-1))`, con `r`/`k`
+filas/columnas corregidas y `n` el numero de pares validos. El resultado se
+clampa a [0, 1] por seguridad numerica.
+
+Casos borde resueltos sin excepcion: listas vacias, un solo par, columna con una
+sola categoria, o None en cualquiera de los dos lados (el par se descarta) ->
+todos devuelven `0.0` o una V bien definida sobre los pares que queden.