Function reference¶

Every exported name, grouped the way the chapters are. Generated from the packages themselves — scelo.__all__ on the Python side, the NAMESPACE on the R side — so this list and the installed libraries cannot drift apart. A — marks a deliberate asymmetry, explained at the end. sc.cheatsheet() / sc_cheatsheet() print the one-screen version of this page in your terminal.

Soft data — I/O¶

Python	R	Kind
`sc.coerce()`	`sc_coerce()`	function
`sc.coerce_cell()`	`sc_coerce_cell()`	function
`sc.DEFAULT_IMPORT_ROW_CAP`	—	constant
`sc.load()`	`sc_load()`	function
`sc.MISSING_CELL_TOKENS`	—	constant
`sc.reservoir()`	`sc_reservoir()`	function
`sc.sample()`	`sc_sample()`	function
`sc.samples()`	`sc_samples()`	function
`sc.save()`	`sc_save()`	function
`sc.sniff()`	`sc_sniff()`	function

Soft data — profiling¶

Python	R	Kind
`sc.box()`	`sc_box()`	function
`sc.column_type()`	`sc_column_type()`	function
`sc.corr()`	`sc_corr()`	function
`sc.describe()`	`sc_describe()`	function
`sc.fences()`	`sc_fences()`	function
`sc.histogram()`	—	function
`sc.inliers()`	`sc_inliers()`	function
`sc.iqr()`	`sc_iqr()`	function
`sc.jarque_bera()`	`sc_jarque_bera()`	function
`sc.kurt()`	`sc_kurt()`	function
`sc.missing()`	`sc_missing()`	function
`sc.outliers()`	`sc_outliers()`	function
`sc.profile()`	`sc_profile()`	function
`sc.quantile()`	`sc_quantile()`	function
`sc.skew()`	`sc_skew()`	function
`sc.summary()`	—	function
`sc.tab()`	`sc_tab()`	function
`sc.types()`	`sc_types()`	function
`sc.unique()`	—	function

Soft data — cleaning¶

Python	R	Kind
`sc.ALL_OPS`	`SC_ALL_OPS`	class
`sc.booleans()`	`sc_booleans()`	function
`sc.cap_outliers()`	`sc_cap_outliers()`	function
`sc.clean()`	`sc_clean()`	function
`sc.coerce_numeric()`	`sc_coerce_numeric()`	function
`sc.collapse_ws()`	`sc_collapse_ws()`	function
`sc.dedupe()`	`sc_dedupe()`	function
`sc.drop_constant()`	`sc_drop_constant()`	function
`sc.drop_empty()`	`sc_drop_empty()`	function
`sc.FALSE_TOKENS`	`SC_FALSE_TOKENS`	class
`sc.fix_encoding()`	`sc_fix_encoding()`	function
`sc.future_years()`	`sc_future_years()`	function
`sc.impute()`	`sc_impute()`	function
`sc.infer_day_first()`	`sc_infer_day_first()`	function
`sc.lowercase()`	`sc_lowercase()`	function
`sc.MISSING_TOKENS`	`SC_MISSING_TOKENS`	class
`sc.missing_tokens()`	`sc_missing_tokens()`	function
`sc.NUMERIC_SENTINELS`	`SC_NUMERIC_SENTINELS`	class
`sc.parse_date()`	`sc_parse_date()`	function
`sc.parse_dates()`	`sc_parse_dates()`	function
`sc.parse_number()`	`sc_parse_number()`	function
`sc.parse_numbers()`	`sc_parse_numbers()`	function
`sc.recode()`	`sc_recode()`	function
`sc.SAFE_OPS`	`SC_SAFE_OPS`	class
`sc.sentinels()`	`sc_sentinels()`	function
`sc.snake_case()`	`sc_snake_case()`	function
`sc.snake_names()`	`sc_snake_names()`	function
`sc.suggest()`	`sc_suggest()`	function
`sc.trim()`	`sc_trim()`	function
`sc.TRUE_TOKENS`	`SC_TRUE_TOKENS`	class

Soft data — combining¶

Python	R	Kind
`sc.append()`	`sc_append()`	function
`sc.combine()`	`sc_combine()`	function
`sc.diff()`	`sc_diff()`	function
`sc.join()`	`sc_join()`	function
`sc.stack()`	`sc_stack()`	function
`sc.suggest_combine()`	`sc_suggest_combine()`	function
`sc.tieout()`	`sc_tieout()`	function

Column inference¶

Python	R	Kind
`sc.COLUMN_ALIASES`	`SC_COLUMN_ALIASES`	class
`sc.find_column()`	`sc_find_column()`	function
`sc.infer()`	`sc_infer()`	function

The Table¶

Python	R	Kind
`sc.as_table()`	`sc_table()`	function
`sc.notes()`	`sc_notes()`	function
`sc.Table`	`sc_table`	class

Life & mortality¶

Python	R	Kind
`sc.ae()`	`sc_ae()`	function
`sc.ae_test()`	`sc_ae_test()`	function
`sc.annuity()`	`sc_annuity()`	function
`sc.assurance()`	`sc_assurance()`	function
`sc.basicterm()`	`sc_basicterm()`	function
`sc.BasicTermAssumptions`	`sc_basicterm_assumptions`	class
`sc.Basis`	—	type alias
`sc.close_table()`	`sc_close_table()`	function
`sc.commutation()`	`sc_commutation()`	function
`sc.csm()`	`sc_csm()`	function
`sc.epv()`	`sc_epv()`	function
`sc.exposure()`	`sc_exposure()`	function
`sc.factors()`	`sc_factors()`	function
`sc.gompertz()`	`sc_gompertz()`	function
`sc.graduate()`	`sc_graduate()`	function
`sc.ILLUSTRATIVE_MAKEHAM`	`SC_ILLUSTRATIVE_MAKEHAM`	class
`sc.kaplan_meier()`	`sc_kaplan_meier()`	function
`sc.lee_carter()`	`sc_lee_carter()`	function
`sc.life_expectancy()`	`sc_life_expectancy()`	function
`sc.life_table()`	`sc_life_table()`	function
`sc.makeham()`	`sc_makeham()`	function
`sc.model_points()`	`sc_model_points()`	function
`sc.mx_to_qx()`	`sc_mx_to_qx()`	function
`sc.premium()`	`sc_premium()`	function
`sc.qx()`	`sc_qx()`	function
`sc.qx_to_mx()`	`sc_qx_to_mx()`	function
`sc.scr_life()`	`sc_scr_life()`	function
`sc.SII_LIFE_SHOCKS`	`SC_SII_LIFE_SHOCKS`	class
`sc.survival()`	`sc_survival()`	function

Reserving¶

Python	R	Kind
`sc.ata()`	`sc_ata()`	function
`sc.bf()`	`sc_bf()`	function
`sc.bootstrap()`	`sc_bootstrap()`	function
`sc.cape_cod()`	`sc_cape_cod()`	function
`sc.cdf()`	`sc_cdf()`	function
`sc.chain_ladder()`	`sc_chain_ladder()`	function
`sc.from_wide()`	`sc_from_wide()`	function
`sc.is_cumulative()`	`sc_is_cumulative()`	function
`sc.latest_diagonal()`	`sc_latest_diagonal()`	function
`sc.ldf()`	`sc_ldf()`	function
`sc.mack()`	`sc_mack()`	function
`sc.reserve()`	`sc_reserve()`	function
`sc.ReservingResult`	`scelo_reserving` (class)	class
`sc.tail()`	`sc_tail()`	function
`sc.to_cumulative()`	`sc_to_cumulative()`	function
`sc.to_incremental()`	`sc_to_incremental()`	function
`sc.triangle()`	`sc_triangle()`	function

Finance¶

Python	R	Kind
`sc.accumulation()`	`sc_accumulation()`	function
`sc.annuity_certain()`	`sc_annuity_certain()`	function
`sc.bond_price()`	`sc_bond_price()`	function
`sc.bond_yield()`	`sc_bond_yield()`	function
`sc.bootstrap_par()`	`sc_bootstrap_par()`	function
`sc.convexity()`	`sc_convexity()`	function
`sc.df_to_zero()`	`sc_df_to_zero()`	function
`sc.discount_curve()`	`sc_discount_curve()`	function
`sc.discount_rate()`	`sc_discount_rate()`	function
`sc.duration()`	`sc_duration()`	function
`sc.effective()`	`sc_effective()`	function
`sc.force()`	`sc_force()`	function
`sc.forward_rates()`	`sc_forward_rates()`	function
`sc.from_force()`	`sc_from_force()`	function
`sc.hull_white()`	`sc_hull_white()`	function
`sc.irr()`	`sc_irr()`	function
`sc.nelson_siegel()`	`sc_nelson_siegel()`	function
`sc.nominal()`	`sc_nominal()`	function
`sc.npv()`	`sc_npv()`	function
`sc.nss()`	`sc_nss()`	function
`sc.pv()`	`sc_pv()`	function
`sc.smith_wilson()`	`sc_smith_wilson()`	function
`sc.v()`	`sc_v()`	function
`sc.zero_to_df()`	`sc_zero_to_df()`	function

Risk¶

Python	R	Kind
`sc.aggregate_loss()`	`sc_aggregate_loss()`	function
`sc.aggregate_scr()`	`sc_aggregate_scr()`	function
`sc.buhlmann()`	`sc_buhlmann()`	function
`sc.credibility()`	`sc_credibility()`	function
`sc.es()`	`sc_es()`	function
`sc.fit()`	`sc_fit()`	function
`sc.full_credibility()`	`sc_full_credibility()`	function
`sc.limited_fluctuation()`	`sc_limited_fluctuation()`	function
`sc.lognormal_params()`	`sc_lognormal_params()`	function
`sc.panjer()`	`sc_panjer()`	function
`sc.risk_margin()`	`sc_risk_margin()`	function
`sc.SII_BSCR_CORR`	`SC_SII_BSCR_CORR`	class
`sc.SII_LIFE_CORR`	`SC_SII_LIFE_CORR`	class
`sc.SII_NONLIFE_CORR`	`SC_SII_NONLIFE_CORR`	class
`sc.simulate_losses()`	`sc_simulate_losses()`	function
`sc.tvar()`	`sc_tvar()`	function
`sc.var()`	`sc_var()`	function

Pricing¶

Python	R	Kind
`sc.burning_cost()`	`sc_burning_cost()`	function
`sc.design_matrix()`	`sc_design_matrix()`	function
`sc.freq_sev()`	`sc_freq_sev()`	function
`sc.gini()`	`sc_gini()`	function
`sc.glm()`	`sc_glm()`	function
`sc.GLMResult`	`scelo_glm` (class)	class
`sc.lift()`	`sc_lift()`	function
`sc.loss_ratio()`	`sc_loss_ratio()`	function
`sc.rate_table()`	`sc_rate_table()`	function
`sc.relativities()`	`sc_relativities()`	function

Fairness¶

Python	R	Kind
`sc.disparate_impact()`	`sc_disparate_impact()`	function
`sc.fairness()`	`sc_fairness()`	function
`sc.fairness_audit()`	`sc_fairness_audit()`	function
`sc.parity()`	`sc_parity()`	function

Climate¶

Python	R	Kind
`sc.aal()`	`sc_aal()`	function
`sc.anomaly()`	`sc_anomaly()`	function
`sc.ensemble()`	`sc_ensemble()`	function
`sc.parametric_trigger()`	`sc_parametric_trigger()`	function
`sc.return_period()`	`sc_return_period()`	function

Forecast — W(M, T, R)¶

Python	R	Kind
`sc.apply_intervention()`	`sc_apply_intervention()`	function
`sc.classify()`	`sc_classify()`	function
`sc.DEFAULT_WMTR_PARAMS`	`SC_DEFAULT_WMTR_PARAMS`	class
`sc.derive_config()`	`sc_derive_config()`	function
`sc.dominant_driver()`	`sc_dominant_driver()`	function
`sc.driver_contributions()`	`sc_driver_contributions()`	function
`sc.INTERVENTION_PARAMS`	`SC_INTERVENTION_PARAMS`	class
`sc.mulberry32()`	`sc_mulberry32()`	function
`sc.run_wmtr()`	`sc_run_wmtr()`	function
`sc.sensitivity()`	`sc_sensitivity()`	function
`sc.SHOCK_PARAMS`	`SC_SHOCK_PARAMS`	class
`sc.wmtr()`	`sc_wmtr()`	function
`sc.WmtrParams`	`sc_wmtr_params`	class
`sc.WmtrResult`	`scelo_wmtr` (class)	class

Swarm client¶

Python	R	Kind
`sc.augment()`	`sc_augment()`	function
`sc.chat_log()`	`sc_chat_log()`	function
`sc.connect()`	`sc_connect()`	function
`sc.council()`	`sc_council()`	function
`sc.council_run()`	`sc_council_run()`	function
`sc.COUNCIL_SIZE`	`SC_COUNCIL_SIZE`	class
`sc.CouncilResult`	`scelo_council` (class)	class
`sc.intervene()`	`sc_intervene()`	function
`sc.justify()`	`sc_justify()`	function
`sc.PROFESSIONS`	`SC_PROFESSIONS`	class
`sc.society()`	`sc_society()`	function
`sc.swarm_status()`	`sc_swarm_status()`	function
`sc.swarm_url()`	`sc_swarm_url()`	function
`sc.swarm_wmtr()`	`sc_swarm_wmtr()`	function
`sc.SwarmError`	`scelo_swarm_error` (class)	class

Workspace diagnostics¶

Python	R	Kind
`sc.active_subspace()`	`sc_active_subspace()`	function
`sc.bottleneck()`	`sc_bottleneck()`	function
`sc.participation_ratio()`	`sc_participation_ratio()`	function

lifelib bridge¶

Python	R	Kind
`sc.lifelib_home()`	`sc_lifelib_home()`	function
`sc.lifelib_models()`	`sc_lifelib_models()`	function
`sc.lifelib_provenance()`	`sc_lifelib_provenance()`	function
`sc.lifelib_run()`	`sc_lifelib_run()`	function
`sc.LIFELIB_VERSION`	`SC_LIFELIB_VERSION`	class
`sc.MODELX_VERSION`	`SC_MODELX_VERSION`	class
`sc.normalise_model_points()`	`sc_normalise_model_points()`	function

Hard data¶

Python	R	Kind
`sc.export()`	`sc_export()`	function
`sc.hard()`	`sc_hard()`	function
`sc.provenance()`	`sc_provenance()`	function
`sc.report()`	`sc_report()`	function
`sc.restore()`	`sc_restore()`	function
`sc.snapshot()`	`sc_snapshot()`	function
`sc.snapshots()`	`sc_snapshots()`	function
`sc.verify()`	`sc_verify()`	function

Audit¶

Python	R	Kind
`sc.audit()`	`sc_audit()`	function
`sc.clear_audit()`	`sc_clear_audit()`	function
`sc.content_hash()`	`sc_content_hash()`	function
`sc.enable_audit()`	`sc_enable_audit()`	function

One-liners¶

Python	R	Kind
`sc.CHEATSHEET`	`SC_CHEATSHEET`	class
`sc.cheatsheet()`	`sc_cheatsheet()`	function
`sc.experience()`	`sc_experience()`	function
`sc.price()`	`sc_price()`	function
`sc.quick()`	`sc_quick()`	function

Charts¶

Python	R	Kind
`sc.PALETTE`	`sc_palette`	class
`sc.palette()`	`sc_palette()`	function
`sc.plot_bars()`	`sc_plot_bars()`	function
`sc.plot_csm()`	`sc_plot_csm()`	function
`sc.plot_lines()`	`sc_plot_lines()`	function
`sc.plot_projection()`	`sc_plot_projection()`	function
`sc.plot_rates()`	`sc_plot_rates()`	function
`sc.plot_relativities()`	`sc_plot_relativities()`	function
`sc.plot_scr()`	`sc_plot_scr()`	function
`sc.plot_table()`	—	function
`sc.plot_triangle()`	`sc_plot_triangle()`	function
`sc.save_figure()`	—	function
`sc.SEQUENTIAL`	`sc_palette`	class
`sc.SERIES`	`sc_palette`	class

R-only exports¶

Names with no single Python twin — mostly S3 constructors/accessors that Python does with object attributes, plus a few R conveniences:

sc_basis, sc_df, sc_markdown, sc_note, sc_predict, sc_title

Python-only names are equally deliberate: histogram, unique and summary shadow base-R vocabulary (use sc_profile / sc_describe), save_figure and plot_table exist because matplotlib figures are objects while R draws on the current device, and Basis is a typing alias. The io constants (MISSING_CELL_TOKENS, DEFAULT_IMPORT_ROW_CAP) document the import rule rather than configure it.