我们了解并创造
文章前的好消息是：不需要很高的数学技能和阅读能力（希望！）。
免责声明：本文代码的一部分，就像以前的一个，是一个调整，补充和测试翻译。我感谢作者，因为这是我最初的代码经验之一，此后我被更多的洪水淹没。希望我的改编对您同样有用！
所以走吧！
结构是这样的：
- 什么是马尔可夫链？
- 连锁店运作方式的一个例子
- 过渡矩阵
- 带有Python的Markov链模型-数据驱动的文本生成
什么是马尔可夫链？
马尔可夫链是随机过程理论中的一种工具，由n个状态的序列组成。在这种情况下，仅当状态严格彼此相邻时，才创建链的节点（值）之间的连接。仅
记住胖字，让我们推断马尔可夫链的性质：该链
中某个新状态的概率仅取决于当前状态，而在数学上并未考虑过去状态的经验=>马尔可夫链是没有记忆的一条链。
换句话说，新含义总是与直接由手柄握住的含义产生共舞。
连锁店运作方式的一个例子
就像文章的作者一样，我们从中借用了代码实现，让我们采用随机的单词序列。
开始-人造-皮大衣-人造-食品-人造-意大利面-人造-皮大衣-人造-结束
让我们想象一下这实际上是一首伟大的诗歌，我们的任务是模仿作者的风格。（但是，这样做当然是不道德的）
如何决定？
我想做的第一件事就是计算单词的出现频率（如果我们要使用实时文本来执行此操作，首先应该进行规范化-将每个单词带入引理（词典形式））。
开始== 1
人工== 5
皮大衣== 2
意大利面== 1
食物== 1
结束== 1
记住我们有一个马尔可夫链，我们可以根据前面的图形来绘制新单词的分布图
：
- 毛皮大衣，食物和面食的状态100％表示人工状态p = 1
- “人造”状态可能导致4种情况发生的可能性相等，并且进入人造毛皮大衣状态的可能性高于其他3种情况
- 最终状态无处可去
- 状态“开始” 100％需要状态“人工”
它看起来很酷而且合乎逻辑，但是视觉美还不止于此！我们还可以构造一个转换矩阵，并在其基础上用以下数学正义来吸引人：
俄语中的意思是“某事件k的一系列概率之和，取决于i ==事件k的概率的所有值的总和，取决于状态i的发生，其中事件k == m + 1，事件i == m（也就是说，事件k与i总是相差1）”。
但首先，让我们了解什么是矩阵。
过渡矩阵
在处理马尔可夫链时，我们正在处理一个随机转移矩阵-一组向量，其中的值反映了渐变之间的概率值。
是的，是的，听起来像是听起来。
但这看起来并不那么可怕：
P是矩阵的表示法。列和行的交点处的值反映了状态之间转换的可能性。
对于我们的示例，它将看起来像这样：
请注意，该行中的值之和== 1.这意味着我们已经正确构建了所有东西，因为随机矩阵行中的值之和必须等于1。
没有人造皮草外套和浆糊的
裸露示例：一个甚至裸露的示例是以下内容的身份矩阵：
- 无法从A返回B以及从B-返回A的情况[1]
- 从A到B的过渡是可能的情况[2]
Respecto。理论完成。
我们使用Python。
使用Python基于Markov链的模型-基于数据生成文本
步骤1
导入相关的工作包并获取数据。
import numpy as np
data = open('/Users/sad__sabrina/Desktop/1.txt', encoding='utf8').read()
print(data)
, , , , ( « memorylessness »). , , , , , , ; .., , .
不要只关注文本的结构，而要注意utf8编码。这对于读取数据很重要。
步骤2
将数据分成单词。
ind_words = data.split()
print(ind_words)
['\ufeff', '', '', '', '', ',', '', '', ',', '', '', '', '', '', '', '', ',', '', '', '', ',', '', '', '', '', '(', '', '', '«', 'memorylessness', '»).', '', ',', '', '', '', '', ',', '', '', '', '', '', '', '', ',', '', '', '', '', '', '', '', '', '', ',', '', '', '', '', '', '', '', ',', '', '', ',', '', '', '', ';', '..,', '', '', '', '', ',', '', '', '', '', '', '', '.']步骤3
让我们创建一个链接单词对的函数。
def make_pairs(ind_words):
for i in range(len(ind_words) - 1):
yield (ind_words[i], ind_words[i + 1])
pair = make_pairs(ind_words)该函数的主要细微差别在于使用yield（）运算符。它可以帮助我们满足Markov链接标准-无记忆存储标准。使用yield，我们的函数将在迭代（重复）时创建新的对，而不是存储所有内容。
在这里可能会产生误解，因为一个词可以变成不同的词。我们将通过为我们的函数创建一个字典来解决这个问题。
第4步
word_dict = {}
for word_1, word_2 in pair:
if word_1 in word_dict.keys():
word_dict[word_1].append(word_2)
else:
word_dict[word_1] = [word_2]这里：
- 如果我们已经有字典中成对的第一个单词的条目，则该函数将下一个潜在值添加到列表中。
- 否则：创建一个新条目。
步骤5
让我们随机选择第一个单词，然后使用islower（）字符串方法设置while条件，以使单词真正随机，如果字符串包含小写字母，则该条件满足True，允许存在数字或符号。
在这种情况下，我们将单词数设置为20。
first_word = np.random.choice(ind_words)
while first_word.islower():
chain = [first_word]
n_words = 20
first_word = np.random.choice(ind_words)
for i in range(n_words):
chain.append(np.random.choice(word_dict[chain[-1]]))步骤6
让我们开始随机的事情！
print(' '.join(chain))
; .., , , (join（）函数是用于处理字符串的函数。在括号中，我们为行（空格）中的值指定了一个分隔符。
文字……听起来像机器，而且几乎合乎逻辑。
PS正如您可能已经注意到的那样，马尔可夫链在语言学中很有用，但它们的应用超出了自然语言处理的范围。您可以在这里和这里熟悉其他任务中链的使用。
PPS如果事实证明您对我的代码习惯不甚了解，请附上原始文章。一定要在实践中应用该代码-它“运行并生成”时的感觉很充实！
我正在等待您的意见，并且很高兴对本文发表建设性意见！