【Pm4py第五讲】关于Discovery

已于 2023-09-12 09:38:52 修改
阅读量919 收藏 4
点赞数 1
分类专栏： 流程挖掘知识 Python 文章标签： pandas python 数据挖掘 流程挖掘 pm4py
于 2023-06-10 13:26:44 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40420514/article/details/131139756
版权

本节用于介绍pm4py中的挖掘函数，包括用alpha算法、alpha+、Heuristic miner、ILP Miner、Inductive Miner发现一个petri网等。

1.函数概述

 本次主要介绍Pm4py中一些常见的挖掘函数，总览如下表：

函数名说明
derive_minimum_self_distance(log[, ...])发现活动自身最小距离
discover_batches(log[, merge_distance, ...])发现批处理活动
discover_bpmn_inductive(log[, ...])Inductice miner算法发现bpmn模型
discover_declare(log[, allowed_templates, ...])发现declare模型
discover_dfg(log[, activity_key, ...])发现直接跟随图模型
discover_directly_follows_graph(log[, ...])发现直接跟随图
discover_eventually_follows_graph(log[, ...])发现最终跟随图
discover_footprints(*args)发现足迹矩阵
discover_heuristics_net(log[, ...])发现启发式网络
discover_log_skeleton(log[, ...])发现日志skeleton
discover_performance_dfg(log[, ...])发现带性能的dfg
discover_petri_net_alpha(log[, ...])用alpha算法挖掘一个petri net
discover_petri_net_alpha_plus(log[, ...])用alpha+算法挖掘一个petri net
discover_petri_net_heuristics(log[, ...])用启发式挖掘发现一个petri net
discover_petri_net_ilp(log[, alpha, ...])用ILP算法发现一个petri net
discover_petri_net_inductive(log[, ...])用Inductive miner发现一个petri net
discover_prefix_tree(log[, activity_key, ...])发现一个前缀树
discover_process_tree_inductive(log[, ...])用inductive miner发现一个流程树
discover_temporal_profile(log[, ...])发现临时配置文件
discover_transition_system(log[, direction, ...])发现变迁系统

2.函数方法介绍

2.1 发现直接跟随图

pm4py.discovery.discover_dfg(log: Union[EventLog, DataFrame], activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → Tuple[dict, dict, dict]


说明：此方法返回一个字典，其中（日志中）直接跟随的活动对作为关键字，关系频率作为值。

输入参数：

      log– 事件日志；

  • activity_key (str) – attribute to be used for the activity

  • timestamp_key (str) – attribute to be used for the timestamp

  • case_id_key (str) – attribute to be used as case identifier

返回对象：

      Tuple[dict, dict, dict]

示例代码：

import pm4py

dfg, start_activities, end_activities = pm4py.discover_dfg(dataframe, case_id_key='case:concept:name', activity_key='concept:name', timestamp_key='time:timestamp')

2.2 发现带性能的直接跟随图

pm4py.discovery.discover_performance_dfg(log: Union[EventLog, DataFrame], business_hours: bool = False, business_hour_slots=[(25200, 61200), (111600, 147600), (198000, 234000), (284400, 320400), (370800, 406800)], workcalendar=None, activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → Tuple[dict, dict, dict]

说明：从事件日志中直接查找性能直接跟随关系图。此方法返回一个字典，其中（日志中）直接跟随的活动对作为关键字，关系的性能作为值

输入参数：

      log – event log / Pandas dataframe

      business_hours (bool) – enables/disables the computation based on the business hours (default: False)

     business_hour_slots – work schedule of the company, provided as a list of tuples where each tuple represents one time slot of business hours. One slot i.e. one tuple consists of one start and one end time given in seconds since week start, e.g. [(7 * 60 * 60, 17 * 60 * 60), ((24 + 7) * 60 * 60, (24 + 12) * 60 * 60), ((24 + 13) * 60 * 60, (24 + 17) * 60 * 60),] meaning that business hours are Mondays 07:00 - 17:00 and Tuesdays 07:00 - 12:00 and 13:00 - 17:00

     activity_key (str) – attribute to be used for the activity

     timestamp_key (str) – attribute to be used for the timestamp

     case_id_key (str) – attribute to be used as case identifier

返回对象：

        Tuple[dict, dict, dict]

示例代码：

import pm4py

performance_dfg, start_activities, end_activities = pm4py.discover_performance_dfg(dataframe, case_id_key='case:concept:name', activity_key='concept:name', timestamp_key='time:timestamp')

2.3 Alpha算法

pm4py.discovery.discover_petri_net_alpha(log: Union[EventLog, DataFrame], activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → Tuple[PetriNet, Marking, Marking]

说明：使用Alpha Miner发现一个Petri网。

输入参数：

    log – event log / Pandas dataframe

   activity_key (str) – attribute to be used for the activity

   timestamp_key (str) – attribute to be used for the timestamp

   case_id_key (str) – attribute to be used as case identifier

输出：

    Tuple[PetriNet, Marking, Marking]

示例代码：

import pm4py

net, im, fm = pm4py.discover_petri_net_alpha(dataframe, activity_key='concept:name', case_id_key='case:concept:name', timestamp_key='time:timestamp')

2.4 Inductive Miner

pm4py.discovery.discover_petri_net_inductive(log: Union[EventLog, DataFrame, DirectlyFollowsGraph], multi_processing: bool = False, noise_threshold: float = 0.0, activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → Tuple[PetriNet, Marking, Marking]
说明：使用IM算法发现一个Petri网。Inductive miner算法的基本思想是检测日志中的“切割”（如顺序切割、排他切割、并发切割和循环切割），然后在应用切割发现的子日志上重复，直到找到基本案例。Directly Follows变量避免了子日志上的递归，但使用了Directly Folows图。归纳挖掘器模型通常广泛使用静默变迁，尤其是在模型的某个部分上跳过/循环。此外，每个可见的变迁都有一个唯一的标签（模型中没有共享相同标签的变迁）。

输入参数：

     log – event log / Pandas dataframe / typed DFG

     noise_threshold (float) – noise threshold (default: 0.0)

     multi_processing (bool) – boolean that enables/disables multiprocessing in inductive miner

     activity_key (str) – attribute to be used for the activity

    timestamp_key (str) – attribute to be used for the timestamp

    case_id_key (str) – attribute to be used as case identifier

返回类型：

    Tuple[PetriNet, Marking, Marking]

示例代码：

import pm4py

net, im, fm = pm4py.discover_petri_net_inductive(dataframe, activity_key='concept:name', case_id_key='case:concept:name', timestamp_key='time:timestamp')

2.5 Heustics Miner

pm4py.discovery.discover_petri_net_heuristics(log: Union[EventLog, DataFrame], dependency_threshold: float = 0.5, and_threshold: float = 0.65, loop_two_threshold: float = 0.5, activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → Tuple[PetriNet, Marking, Marking]
说明：使用启发式Miner发现Petri网。启发式Miner是一种作用于Direct Follows Graph的算法，提供了处理噪声和查找常见结构（两个活动之间的依赖关系，and）的方法。启发式矿工的输出是一个启发式网，因此是一个包含活动及其之间关系的对象。然后可以将启发式网络转换为Petri网。）。

输入参数：

  • log – event log / Pandas dataframe

  • dependency_threshold (float) – dependency threshold (default: 0.5)

  • and_threshold (float) – AND threshold (default: 0.65)

  • loop_two_threshold (float) – loop two threshold (default: 0.5)

  • activity_key (str) – attribute to be used for the activity

  • timestamp_key (str) – attribute to be used for the timestamp

  • case_id_key (str) – attribute to be used as case identifier

返回类型：

    Tuple[PetriNet, Marking, Marking]

示例代码：

import pm4py

net, im, fm = pm4py.discover_petri_net_heuristics(dataframe, activity_key='concept:name', case_id_key='case:concept:name', timestamp_key='time:timestamp')

2.6 ILP Miner

pm4py.discovery.discover_petri_net_ilp(log: Union[EventLog, DataFrame], alpha: float = 1.0, activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → Tuple[PetriNet, Marking, Marking]
说明：使用ILP Miner 发现一个petri网

输入参数：

  • log – event log / Pandas dataframe

  • alpha (float) – noise threshold for the sequence encoding graph (1.0=no filtering, 0.0=greatest filtering)

  • activity_key (str) – attribute to be used for the activity

  • timestamp_key (str) – attribute to be used for the timestamp

  • case_id_key (str) – attribute to be used as case identifier

返回类型：

    Tuple[PetriNet, Marking, Marking]

 示例代码：

import pm4py

net, im, fm = pm4py.discover_petri_net_ilp(dataframe, activity_key='concept:name', case_id_key='case:concept:name', timestamp_key='time:timestamp')

2.7 IM算法发现流程树

pm4py.discovery.discover_process_tree_inductive(log: Union[EventLog, DataFrame, DirectlyFollowsGraph], noise_threshold: float = 0.0, multi_processing: bool = False, activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → ProcessTree

说明：使用IM算法发现流程树。

输入参数:

  • log – event log / Pandas dataframe / typed DFG

  • noise_threshold (float) – noise threshold (default: 0.0)

  • activity_key (str) – attribute to be used for the activity

  • multi_processing (bool) – boolean that enables/disables multiprocessing in inductive miner

  • timestamp_key (str) – attribute to be used for the timestamp

  • case_id_key (str) – attribute to be used as case identifier

返回类型：

      流程树

 示例代码：

import pm4py

process_tree = pm4py.discover_process_tree_inductive(dataframe, activity_key='concept:name', case_id_key='case:concept:name', timestamp_key='time:timestamp')

2.8 Heuristic Miner发现启发式网

pm4py.discovery.discover_heuristics_net(log: Union[EventLog, DataFrame], dependency_threshold: float = 0.5, and_threshold: float = 0.65, loop_two_threshold: float = 0.5, min_act_count: int = 1, min_dfg_occurrences: int = 1, activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name', decoration: str = 'frequency') → HeuristicsNet

说明：发现启发式网。

输入参数:

     log – event log / Pandas dataframe

    dependency_threshold (float) – dependency threshold (default: 0.5)

     and_threshold (float) – AND threshold (default: 0.65)

     loop_two_threshold (float) – loop two threshold (default: 0.5)

     min_act_count (int) – minimum number of occurrences per activity in order to be included in the discovery

     min_dfg_occurrences (int) – minimum number of occurrences per arc in the DFG in order to be included in the discovery

    activity_key (str) – attribute to be used for the activity

    timestamp_key (str) – attribute to be used for the timestamp

    case_id_key (str) – attribute to be used as case identifier

    decoration (str) – the decoration that should be used (frequency, performance)

返回类型：HeuristicsNet

  示例代码：

import pm4py

heu_net = pm4py.discover_heuristics_net(dataframe, activity_key='concept:name', case_id_key='case:concept:name', timestamp_key='time:timestamp')

 2.9 计算自身最小距离

pm4py.discovery.derive_minimum_self_distance(log: Union[DataFrame, EventLog, EventStream], activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → Dict[str, int]

说明：该算法计算在事件日志中观察到的每个活动的最小自身距离。a在<a>中的自距离是无穷大，a在<a，a>中是0，在<a、b、a>中为1，等等。使用活动键“concept:name”。

输入参数:

      log – event log / Pandas dataframe

      activity_key (str) – attribute to be used for the activity

      timestamp_key (str) – attribute to be used for the timestamp

      case_id_key (str) – attribute to be used as case identifier

返回类型：

    Dict[str, int]

 示例代码：

import pm4py

msd = pm4py.derive_minimum_self_distance(dataframe, activity_key='concept:name', case_id_key='case:concept:name', timestamp_key='time:timestamp')

2.10 发现足迹矩阵

pm4py.discovery.discover_footprints(*args: Union[EventLog, Tuple[PetriNet, Marking, Marking], ProcessTree]) → Union[List[Dict[str, Any]], Dict[str, Any]]

说明：从提供的事件日志/流程模型中查找足迹

输入参数:    

     args – event log / process model

返回类型：

      Union[List[Dict[str, Any]], Dict[str, Any]]

示例：

import pm4py

footprints = pm4py.discover_footprints(dataframe, activity_key='concept:name', case_id_key='case:concept:name', timestamp_key='time:timestamp')

2.11 发现最终跟随图

pm4py.discovery.discover_eventually_follows_graph(log: Union[EventLog, DataFrame], activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → Dict[Tuple[str, str], int]

说明：从日志对象中获取最终跟随的图。最终跟随图是一个字典，它与最终相互跟随的每一对活动相关联，即这种关系的出现次数。

输入参数:    

        log – event log / Pandas dataframe

        activity_key (str) – attribute to be used for the activity

        timestamp_key (str) – attribute to be used for the timestamp

        case_id_key (str) – attribute to be used as case identifier

返回类型：

      Dict[Tuple[str, str], int]

示例代码：

import pm4py

efg = pm4py.discover_eventually_follows_graph(dataframe, activity_key='concept:name', case_id_key='case:concept:name', timestamp_key='time:timestamp')

 

2.12 IM算法发现BPMN模型

pm4py.discovery.discover_bpmn_inductive(log: Union[EventLog, DataFrame, DirectlyFollowsGraph], noise_threshold: float = 0.0, multi_processing: bool = False, activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → BPMN

说明：使用Inductive Miner算法发现BPMN

输入参数:    

        log – event log / Pandas dataframe / typed DFG

        noise_threshold (float) – noise threshold (default: 0.0)

        multi_processing (bool) – boolean that enables/disables multiprocessing in inductive miner

        activity_key (str) – attribute to be used for the activity

        timestamp_key (str) – attribute to be used for the timestamp

        case_id_key (str) – attribute to be used as case identifier

    

返回类型：

      BPMN

示例代码：

import pm4py

bpmn_graph = pm4py.discover_bpmn_inductive(dataframe, activity_key='concept:name', case_id_key='case:concept:name', timestamp_key='time:timestamp')

2.13 发现变迁系统

pm4py.discovery.discover_transition_system(log: Union[EventLog, DataFrame], direction: str = 'forward', window: int = 2, view: str = 'sequence', activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → TransitionSystem

说明：发现流程挖掘书籍《过程挖掘：数据科学在行动》中描述的变迁系统

输入参数:   

        log – event log / Pandas dataframe

        direction (str) – direction in which the transition system is built (forward, backward)

        window (int) – window (2, 3, …)

        view (str) – view to use in the construction of the states (sequence, set, multiset)

        activity_key (str) – attribute to be used for the activity

        timestamp_key (str) – attribute to be used for the timestamp

        case_id_key (str) – attribute to be used as case identifier

 

返回类型：

      TransitionSystem

示例代码：

import pm4py

transition_system = pm4py.discover_transition_system(dataframe, activity_key='concept:name', case_id_key='case:concept:name', timestamp_key='time:timestamp')

2.14 发现前缀树

pm4py.discovery.discover_prefix_tree(log: Union[EventLog, DataFrame], activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → Trie

说明：从提供的日志对象中发现一个前缀树

输入参数:   

        log – event log / Pandas dataframe

        activity_key (str) – attribute to be used for the activity

        timestamp_key (str) – attribute to be used for the timestamp

        case_id_key (str) – attribute to be used as case identifier

 

返回类型：

      Trie

示例代码：

import pm4py

prefix_tree = pm4py.discover_prefix_tree(dataframe, activity_key='concept:name', case_id_key='case:concept:name', timestamp_key='time:timestamp')

2.15 发现临时配置文件

pm4py.discovery.discover_temporal_profile(log: Union[EventLog, DataFrame], activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → Dict[Tuple[str, str], Tuple[float, float]]

说明：从日志对象中发现临时配置文件。实施Stertz、Florian、Jürgen Mangler和Stefanie Rinderle Ma中描述的方法。“Temporal Conformance Checking at Runtime based on Time-infused Process Models.” arXiv preprint arXiv:2008.07262 (2020).。
输出是一个字典，至少在日志的情况下，对于最终发生的每两个活动，都包含时间戳差的平均值和标准差。
例如，如果日志有两种情况：
A (timestamp: 1980-01) B (timestamp: 1980-03) C (timestamp: 1980-06) A (timestamp: 1990-01) B (timestamp: 1990-02) D (timestamp: 1990-03)
返回的字典将包含：｛（'A'，'B'）：（1.5个月，0.5个月），（'A'、'C'）：

输入参数:    

        log – event log / Pandas dataframe

        activity_key (str) – attribute to be used for the activity

        timestamp_key (str) – attribute to be used for the timestamp

        case_id_key (str) – attribute to be used as case identifier

 

返回类型：

      Dict[Tuple[str, str], Tuple[float, float]]

示例代码：

import pm4py

temporal_profile = pm4py.discover_temporal_profile(dataframe, activity_key='concept:name', case_id_key='case:concept:name', timestamp_key='time:timestamp')

2.16 发现DECLARE模型

pm4py.discovery.discover_declare(log: Union[EventLog, DataFrame], allowed_templates: Optional[Set[str]] = None, considered_activities: Optional[Set[str]] = None, min_support_ratio: Optional[float] = None, min_confidence_ratio: Optional[float] = None, activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → Dict[str, Dict[Any, Dict[str, int]]]

说明：从事件日志中发现一个declare模型，参考文献：F. M. Maggi, A. J. Mooij and W. M. P. van der Aalst, “User-guided discovery of declarative process models,” 2011 IEEE Symposium on Computational Intelligence and Data Mining (CIDM), Paris, France, 2011, pp. 192-199, doi: 10.1109/CIDM.2011.5949297.

输入参数:   

        log – event log / Pandas dataframe

        allowed_templates – (optional) collection of templates to consider for the discovery

        considered_activities – (optional) collection of activities to consider for the discovery

        min_support_ratio – (optional, decided automatically otherwise) minimum percentage of cases (over the entire set of cases of the log) for which the discovered rules apply

        min_confidence_ratio – (optional, decided automatically otherwise) minimum percentage of cases (over the rule’s support) for which the discovered rules are valid

        activity_key (str) – attribute to be used for the activity

        timestamp_key (str) – attribute to be used for the timestamp

        case_id_key (str) – attribute to be used as case identifier

 

返回类型：

      Dict[str, Any]

示例代码：

import pm4py

declare_model = pm4py.discover_declare(log)

2.17 发现日志skeleton

pm4py.discovery.discover_log_skeleton(log: Union[EventLog, DataFrame], noise_threshold: float = 0.0, activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → Dict[str, Any]

说明：从事件日志中查找日志skeleton。日志skeleton是一个声明性模型，它由六个不同的约束组成：-“directly_follows”：为某些活动指定了对直接跟随的活动的一些严格限制。例如：

“A 应紧跟 B”和“B 应紧跟 C”。

  • “always_before”：指定某些活动仅在之前某个时间执行其他活动时才能执行

    在案件的历史中。 例如，“C 应始终以 A 开头”

  • “always_after”：指定某些活动应始终触发某些其他活动的执行

    在案件的未来历史中。 例如，“A 应始终跟在 C 后面”

  • “等效性”：指定给定的几个活动应该在内部发生相同的次数

    一个案例。 例如，“B 和 C 应始终出现相同的次数”。

  • “never_together”：指定给定的几个活动在案例历史记录中不应同时发生。

    例如，“不应该同时包含 C 和 D 的情况”。

  • “activ_occurrences”：指定每个活动允许的发生次数：

    例如，A 允许执行 1 或 2 次，B 允许执行 1 或 2 或 3 或 4 次。

  • 参考文献： Verbeek, H. M. W., and R. Medeiros de Carvalho. “Log skeletons: A classification approach to process discovery.” arXiv preprint arXiv:1806.08247 (2018).

输入参数:  

  • log – event log / Pandas dataframe

  • noise_threshold (float) – noise threshold, acting as described in the paper.

  • activity_key (str) – attribute to be used for the activity

  • timestamp_key (str) – attribute to be used for the timestamp

  • case_id_key (str) – attribute to be used as case identifier

 

返回类型：

     Dict[str, Any]

示例代码：

import pm4py

log_skeleton = pm4py.discover_log_skeleton(dataframe, noise_threshold=0.1, activity_key='concept:name', case_id_key='case:concept:name', timestamp_key='time:timestamp')

2.18 发现批处理活动

pm4py.discovery.discover_batches(log: Union[EventLog, DataFrame], merge_distance: int = 900, min_batch_size: int = 2, activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name', resource_key: str = 'org:resource') → List[Tuple[Tuple[str, str], int, Dict[str, Any]]

说明：从提供的日志对象中发现批处理活动。我们说，当给定的资源在短时间内多次执行同一个活动时，该资源会批量执行该活动。识别这样的活动可以识别过程中可以自动化的点，因为人的活动可能是重复的。检测到以下类别的批：

-Simultaneous （批中的所有事件都具有相同的开始和结束时间戳）;

-Batching at start（批中所有事件的开始时间戳相同）;

-Batching at end（对于所有连续事件，第一个事件的结束等于第二个事件的开始;

-Concurrent batching（对于未按顺序匹配的所有连续事件）

这个方法被下述论文所描述：“Martin, N., Swennen, M., Depaire, B., Jans, M., Caris, A., & Vanhoof, K. (2015, December). Batch Processing: Definition and Event Log Identification. In SIMPDA (pp. 137-140).”

        输出是一个包含元组的（排序的）列表。每个元组包含：
        索引0:已检测到至少一个批的活动资源
        索引1：给定活动资源的批次数
        索引2：包含所有批次的列表。每个批次的描述如下：
                #批的开始时间戳#批的完整时间戳#在批中执行的事件列表

输入参数:          

        log – event log / Pandas dataframe

        merge_distance (int) – the maximum time distance between non-overlapping intervals in order for them to be considered belonging to the same batch (default: 15*60 15 minutes)

        min_batch_size (int) – the minimum number of events for a batch to be considered (default: 2)

        activity_key (str) – attribute to be used for the activity

        timestamp_key (str) – attribute to be used for the timestamp

        case_id_key (str) – attribute to be used as case identifier

        resource_key (str) – attribute to be used as resource

 

返回类型：

      List[Tuple[Tuple[str, str], int, Dict[str, Any]]]

示例代码：

import pm4py

batches = pm4py.discover_log_skeleton(dataframe, activity_key='concept:name', case_id_key='case:concept:name', timestamp_key='time:timestamp', resource_key='org:resource')

如需了解更多，欢迎加入流程挖掘交流群QQ:671290481.

北冥有鱼zsp
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
pm4py-core:PM4Py（Python的流程挖掘）项目的公共存储库
04-01
下午4点 PM4Py是一个python库，支持python中的（最新技术）进程挖掘算法。 它是完全开源的，旨在用于学术界和工业项目。 PM4Py是弗劳恩霍夫应用信息技术研究所的产品。 文档/ API 有关PM4Py的完整文档，请访问 第一个例子 一个非常简单的例子，可以激发您的胃口： import pm4py log = pm4py . read_xes ( '<path>' ) process_model , initial_marking , final_marking = pm4py . discover_petri_net_inductive ( log ) pm4py . view_petri_net ( process_model , initial_marking , final_marking , format = "svg" )
【Pm4py第六讲】关于合规性检查
qq_40420514的博客
09-21 767
合规性检查，也叫一致性检查。pm4py合规性检查模块包含在pm4py中实现的equivalence算法，比如基于Token重演的，基于对齐的，基于足迹矩阵的拟合度和精确度指标的计算。
PM4py 二开记录(2) 挖掘 变体流程中两个事件之间的时间聚合（秒， 平均??）
PHM_DVL的博客
03-05 370
（例如，同一变体的所有事例的平均值） - 案例内路径的累积出现次数（例如， 第一个 A->B 将与 0 相关联，and the second A->B would be associated to 1)每行都与不同的列相关联： - 变体 - 位置（在变体中） - 源活动（路径） - 目标活动（路径） - 两个活动之间的时间聚合。将按变体和位置（在变体内部）聚合的 Pandas 数据帧关联到日志对象的方法。
PM4py 二开记录(3) cycle_time_get ： 累计每笔log 的开始与结束时间差（秒）
PHM_DVL的博客
03-20 350
log 需要有两个时间戳（开始和结束时间）， 累计每笔log 的开始与结束时间差（秒）， 再除以总比数就是cycle_time 了， 但是这个方法只计算总时间差。比较适用于计算某个特定 event 的平均处理时间。start_timestamp_key 参数， 计算不出值。这只API 本身不支持。
【Pm4py第一讲】关于ProcessMining
qq_40420514的博客
04-28 2735
本节用于简单介绍pm4py的相关示例，给读者提供一个简单直观的认识。
【pm4py】process mining 读取log生成model/net/tree
化甘
08-27 1288
此时可查看log，可看出log包含25个eventlog（即ProM中的cases），第一个eventlog包含92个traces（即Prom中第一个case包含92个event），第2个eventlog包含62个traces；这25个eventlog包含的traces数目最大为92，最小为34。其中第一个eventlog的第一个trace（即ProM中第一个case的第一个event），concept:name为Start，lifecycle:transition为start……【pm4py 官网】...
pm4py使用指南（非机翻）
codelady_g的博客
08-24 984
介绍python流程挖掘工具包的使用方法，对常用函数进行了详细的介绍。
【Pm4py第四讲】关于Convert
qq_40420514的博客
09-12 470
本节用于介绍pm4py中的转换函数，包括日志、事件流、数据块的转换、Petei网、流程树、BPMN的转换、可达图、面向对象日志等。
PyPI 官网下载 | pm4py-1.0.16.tar.gz
01-29
标题中的"PyPI 官网下载 | pm4py-1.0.16.tar.gz"表明这是一个在Python Package Index（PyPI）上发布的开源软件包，名为pm4py，版本号为1.0.16，其存储格式是tar.gz，这是一种常见的源代码打包格式。PyPI是Python...
PyPI 官网下载 | pm4py-2.2.9.tar.gz
02-01
**PyPI 官网下载 | pm4py-2.2.9.tar.gz** PyPI（Python Package Index）是Python开发者常用的资源库，它为全球的Python开发者提供了丰富的第三方软件包。`pm4py-2.2.9.tar.gz` 是一个在PyPI上发布的压缩包文件，...
Python库 | pm4py-1.1.10.tar.gz
05-20
资源分类：Python库 所属语言：Python 资源全名：pm4py-1.1.10.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
pm4py-2.2.7.1-py3-none-any.whl
07-17
pm4py的python包
PM4PY - Process Trees
DreamingBetter的博客
03-22 943
摘要：Process Trees 在PM4PY中，我们为process trees（可视化、转换成Petri Net、日志生成）提供支持，导入导出，和生成他们的功能。 导入导出Process Trees（pt） 在PM4PY中，我们提供PTML格式导入导出pt。 from pm4py.objects.process_tree.importer import importer as ptml_importer tree = ptml_importer.apply("tests/input_data/runn
论文相关知识：启发式流程发现算法
Programmer Monkey的博客
04-26 1785
启发式挖掘算法（Heuristic Miner）   这两天属实是没大学习，跑去玩了玩新游戏深空之眼2333，下面补上今天学的启发式挖掘算法。
PM4py 二开记录(1) 挖掘数据出流程的变体
PHM_DVL的博客
03-05 406
将事件日志拆分为每个进程变体的子数据帧。结果是变体和子数据帧的迭代器。
【Pm4py第三讲】关于Output
qq_40420514的博客
05-15 576
本节用于介绍pm4py中的输出函数，包括日志输出、模型输出、面向对象日志输出等。
【Pm4py第七讲】关于visualization
qq_40420514的博客
09-26 592
本节用于介绍pm4py中的可视化函数，包括可视化bpmn、petri、性能图谱、变迁系统等。
PM4py 二开记录(7) ：discover_dfg
PHM_DVL的博客
03-24 341
在一个DFG图中，每个节点表示一个活动，其中的边表示活动之间的直接跟随关系。搭配特殊的 filter 可以调整输出结果：（例子中 展示了 1、2 两种）
如何在Python中使用IP代理
最新发布
IPIPGO的博客
08-23 362
通过以上步骤，你应该已经学会了如何在Python中使用IP代理。无论是单个代理IP、带认证的代理IP，还是批量使用代理IP，这些方法都能帮助你在实际项目中灵活应用。希望这篇文章对你有所帮助，如果你有任何问题或建议，欢迎在评论区留言，我们会尽力为你解答。t=N7T8。
上传pm4格式视频代码
05-13
抱歉，我不了解 pm4 格式，似乎也没有这种视频格式。您可能想要说的是 mp4 格式，这是一种常见的视频格式。如果您有 mp4 格式的视频想要上传，可以使用以下代码： ```html <video src="example.mp4" controls></video> ``` 将 `src` 属性设置为您的视频文件路径，`controls` 属性可以显示视频控件，例如播放、暂停和音量控制。您还可以添加其他属性，例如 `width` 和 `height` 来设置视频的宽度和高度。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

北冥有鱼zsp

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值