EquationMiner/CLAUDE.md

CLAUDE.md

This file provides guidance to Claude Code (claude.ai/code) when working with code in this repository.

fitseg legge un CSV t_ms,T_C,dT_C (temperatura di un sensore IR), lo divide in domini (riposo / riscaldamento = gradini / raffreddamento) e trova per ogni (dominio, serie) l'equazione che meglio lo approssima. Documentazione, commenti e messaggi sono in italiano: mantieni la lingua.

Fonti di verità (non duplicarne il contenuto): docs/SPEC.md (algoritmi, limiti), README.md (uso, test), config.toml (unica fonte dei valori: nessun default nel codice, ogni chiave nuova va in CHIAVI di src/fitseg/config.py e in SPEC).

Comandi

uv venv .venv && uv pip install -e ".[dev]"
.venv/bin/fitseg domini input/gen_1.csv                 # passo 1: output/gen_1/01_domini/ (domini.png, domini.toml), nessun fit
.venv/bin/fitseg analizza input/gen_1.csv [--domini output/gen_1/01_domini/domini.toml]   # tutti i passi → output/gen_1/{01_domini,02_sovrapposizione,03_report}
.venv/bin/pytest                                       # tutti; singolo: -k raffreddamento o tests/test_fit.py
.venv/bin/ruff check src tests

--config/--output vanno prima del sottocomando. input/ contiene i CSV da analizzare; output/ e input/*.csv sono ignorati da git. Ogni analisi scrive in output/<nome csv>/ (01_domini, 02_sovrapposizione, 03_report, vedi uscita.PASSI).

Architettura (src/fitseg/, un modulo per responsabilità)

cli.py (due sottocomandi, unico punto d'ingresso) → config.py, dati.py (lettura) → domini.py (gradini ⇒ domini, I/O di domini.toml) → analisi.py (ordina i domini, sceglie il modello) → fit.py (adatta) con modelli.py (registro MODELLI) → uscita.py (cartelle dei passi, grafici, report; il report incorpora le immagini con percorsi relativi ../01_domini/…, quindi i nomi dei file/cartelle vanno cambiati in modo coerente).

• I domini derivano solo dai gradini positivi di serie_riferimento (diff > soglia_gradino_c), con arretramento ai campioni di transizione; domini.toml è modificabile e deve essere contiguo.
• analisi.analizza_domini: i domini di raffreddamento si fittano per primi; i loro c/tau sono fissati nei domini di riscaldamento (riscaldamento_fissa_da_raffreddamento, adatta(..., fissi=)). I modelli provati dipendono dal tipo ([fit.modelli_per_tipo]: riscaldamento e raffreddamento solo esp_decad).
• fit.adatta: least_squares con perdita robusta; l'esponenziale parte da una griglia su τ. "Non identificabile" = condizione > soglia o IC 95 % > |valore| per un parametro diverso da a/c. σ del rumore per dominio da MAD(d²y); tempo traslato a t' = t − t0.
• Nuovo modello = voce in modelli.py + riga in SPEC §3 + nome in [fit.modelli_per_tipo]. Non ci sono partenze casuali: il programma è deterministico.

Test

Unitari su un segnale sintetico generato in tests/conftest.py (τ = 16 s, 3 gradini, nessun disturbo a salto): non servono i CSV. Integrazione su input/gen_{1,2,3}.csv (prodotti da ../gen_data: .venv/bin/python genera.py config.toml --seed N -o ...) e sulla CLI: saltati se i CSV mancano. Verità di gen_data: τ = 1/k = 15.9 s (k perturbato del 2 % per seed), 3 gradini a ≈15.7/17.8/21.7 s, ambiente ≈ 23 °C, scarti casuali ≤ 4 °C che rendono i residui autocorrelati (limite noto, non un bug).

Gotcha

• scarta_dopo_salto_n deve coprire i campioni di transizione del sensore (τ_sensore 0.07 s, dt 0.15 s ⇒ ≥ 2–3 campioni); se troppo basso 1–2 punti a ~100 °C sporcano la fine del dominio.
• Domini di riscaldamento di 14–26 campioni: con gli scarti casuali τ non è identificabile da solo (su dati puliti sì), quindi è fisso al valore del raffreddamento; gli IC di A sono condizionati. Senza un raffreddamento valido il riscaldamento torna al fit libero e può risultare indeterminato.
• Cambiando la config di gen_data (gradini, rumore) ricontrolla soglia_gradino_c e i test di integrazione.
• Exit code: 0 ok · 2 uso · 3 config · 4 CSV · 6 domini non validi.