随机过程数据的马尔可夫链生成器
markovfsm的Python项目详细描述
#马尔可夫链和有限状态随机机这个包实现了分析随机（或随机）过程的功能。
（有限状态机）
评价马尔可夫链的功能。您可以轻松地从马尔可夫链构建概率自动机。
markovfsm`
如果您想使用绘图功能，不需要特殊的先决条件，除了graphviz之外。
在这种情况下，您必须安装graphviz和[`graphviz`pypi包]（https://pypi.org/project/graphviz/）。
最简单的马尔可夫过程-一个完美硬币的翻转。
让"0"状态为"tails"，而"1"状态对应于"heads"。
实验次数：
`` python
从随机导入random
从graphviz导入有向图
0.5否则0
chain=chain（2，coin（））为范围（1000000）内的i创建一个具有2个状态的空马尔可夫链
：让马尔可夫链构建状态转移矩阵
chain.learn（coin（））基于1000000个硬币翻转
````
让我们绘制一个状态转移图。
``` python
g=有向图（format='svg'，engine='dot'，
graph={'pad'：'0.1'，'nodesep'：'0.4'，'ranksep'：'1.0'，
node={'fontname'：'helvetica'}，
edge={'fontsize'：'8.0'，'fontname'：'helvetica'}）
transition_matrix（），
lambda s:"tails"如果s==0否则为"heads"）
g.render（'./graph'）这将输出"graph.svg`（svg graphics）
和"graph`（dot language）"文件le是滚动一个装配好的骰子的过程。
我们使用beta发行版来模拟非完美的骰子。
编码：utf-8
/>
多次掷骰子为该进程构建马尔可夫链
对于范围（100000）：
chain.learn（rigged\u dice（））
````
，然后绘制状态转换图。
``python
def state\mapping（state）：
if state==0:return u'
if state==1:returnu''
如果state==2:返回u''
如果state==3:返回u''
如果state==4:返回u''
如果state==5:返回u''
g=有向图（format='svg'，engine='dot'，
图形属性={'pad'：'0.1'，'nodesep'：'0.15'，'ranksep'：'0.5'}，
边属性={fontsize'：'6.0'，fontname'：'helvetica'}）
ne可以正好处于有限个状态中的一个。
概率自动机是一种状态之间的转换是概率的fsm。
与普通自动机不同fsm，只需要状态之间可能的转换图，
概率自动机添加每个转换的概率。
``python
来自random import random
r/>
多次掷硬币并为这个过程构建马尔可夫链
让0为正，1为尾
为我在范围（1000000）内（1000000）：
链。学习（0如果随机（）>；0.5其他1）
/>获取转换矩阵
；；它应该看起来像：
这种转换的统计信息将等于马尔可夫过程行中的j元素包含从状态"i"转换到状态"j"的概率。
`chain.learn（state）`will learn markov chain from new`state` transition
`fsm（chain，initial_state）`-对象，表示概率自动机，
初始状态许可证Creative Commons CC0.
news
===
<0.2
--
*发布日期：2019年3月25日*
*更新使用信息并添加插图
*更好的文档
<0.1
--
*发布日期：2017年12月20日*
*首次发布
（有限状态机）
评价马尔可夫链的功能。您可以轻松地从马尔可夫链构建概率自动机。
markovfsm`
如果您想使用绘图功能，不需要特殊的先决条件，除了graphviz之外。
在这种情况下，您必须安装graphviz和[`graphviz`pypi包]（https://pypi.org/project/graphviz/）。
最简单的马尔可夫过程-一个完美硬币的翻转。
让"0"状态为"tails"，而"1"状态对应于"heads"。
实验次数：
`` python
从随机导入random
从graphviz导入有向图
0.5否则0
chain=chain（2，coin（））为范围（1000000）内的i创建一个具有2个状态的空马尔可夫链
：让马尔可夫链构建状态转移矩阵
chain.learn（coin（））基于1000000个硬币翻转
````
让我们绘制一个状态转移图。
``` python
g=有向图（format='svg'，engine='dot'，
graph={'pad'：'0.1'，'nodesep'：'0.4'，'ranksep'：'1.0'，
node={'fontname'：'helvetica'}，
edge={'fontsize'：'8.0'，'fontname'：'helvetica'}）
transition_matrix（），
lambda s:"tails"如果s==0否则为"heads"）
g.render（'./graph'）这将输出"graph.svg`（svg graphics）
和"graph`（dot language）"文件le是滚动一个装配好的骰子的过程。
我们使用beta发行版来模拟非完美的骰子。
编码：utf-8
/>
多次掷骰子为该进程构建马尔可夫链
对于范围（100000）：
chain.learn（rigged\u dice（））
````
，然后绘制状态转换图。
``python
def state\mapping（state）：
if state==0:return u'
if state==1:returnu''
如果state==2:返回u''
如果state==3:返回u''
如果state==4:返回u''
如果state==5:返回u''
g=有向图（format='svg'，engine='dot'，
图形属性={'pad'：'0.1'，'nodesep'：'0.15'，'ranksep'：'0.5'}，
边属性={fontsize'：'6.0'，fontname'：'helvetica'}）
ne可以正好处于有限个状态中的一个。
概率自动机是一种状态之间的转换是概率的fsm。
与普通自动机不同fsm，只需要状态之间可能的转换图，
概率自动机添加每个转换的概率。
``python
来自random import random
r/>
多次掷硬币并为这个过程构建马尔可夫链
让0为正，1为尾
为我在范围（1000000）内（1000000）：
链。学习（0如果随机（）>；0.5其他1）
/>获取转换矩阵
；；它应该看起来像：
这种转换的统计信息将等于马尔可夫过程行中的j元素包含从状态"i"转换到状态"j"的概率。
`chain.learn（state）`will learn markov chain from new`state` transition
`fsm（chain，initial_state）`-对象，表示概率自动机，
初始状态许可证Creative Commons CC0.
news
===
<0.2
--
*发布日期：2019年3月25日*
*更新使用信息并添加插图
*更好的文档
<0.1
--
*发布日期：2017年12月20日*
*首次发布
欢迎加入QQ群-->： 979659372
