【Pm4py第八讲】关于Statistics

最新推荐文章于 2024-11-05 15:32:33 发布
最新推荐文章于 2024-11-05 15:32:33 发布
阅读量411 收藏 1
点赞数
分类专栏： 流程挖掘知识 Python pm4py 文章标签： 开发语言 流程挖掘 python pm4py
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/133688140
版权
流程挖掘知识 同时被 3 个专栏收录
35 篇文章 69 订阅
订阅专栏
Python
8 篇文章 0 订阅
订阅专栏
pm4py
1 篇文章 0 订阅
订阅专栏

本节用于介绍pm4py中的统计函数，包括统计轨迹变体、案例持续时间、案例到达时间等。

1.函数概述

 本次主要介绍Pm4py中一些常见的统计函数，总览如下表：

函数名说明
pm4py.stats.get_start_activities()从事件日志中获取开始活动。
pm4py.stats.get_end_activities()从事件日志中获取结束活动。
pm4py.stats.get_event_attributes()获取事件的事件级的属性
pm4py.stats.get_trace_attributes()获取事件轨迹级别的属性
pm4py.stats.get_event_attribute_values()获取事件中某个属性的值
pm4py.stats.get_trace_attribute_values()获取轨迹中的属性值
pm4py.stats.get_case_arrival_average()获取事件的案件到达时间列表
pm4py.stats.get_cycle_time()获取事件的周期时间
pm4py.stats.get_all_case_durations()获取事件的案件持续时间列表
pm4py.stats.get_case_duration()获取日志中特定案例的案例持续时间。
pm4py.stats.get_stochastic_language()获取事件日志的随机语言

2.函数方法介绍

2.1 统计开始活动

pm4py.stats.get_start_activities(log: EventLog | DataFrame, activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → Dict[str, int]
说明：返回日志对象的开始活动

输入参数：

      log–log对象
     activity_key（str）–要用于活动的属性
     timestamp_key（str）–用于时间戳的属性
      case_id_key（str）–要用作案例标识符的属性

输出参数：

        Dict[str, int]

示例代码：

import pm4py

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

2.2 统计日志对象的结束活动

pm4py.stats.get_end_activities(log: EventLog | DataFrame, activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → Dict[str, int]

说明：返回日志对象的结束活动

输入参数：

      log–log对象
      activity_key（str）–要用于活动的属性
      timestamp_key（str）–用于时间戳的属性
       case_id_key（str）–要用作案例标识符的属性

输出参数：

        Dict[str, int]

示例代码：

import pm4py

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

2.3 统计事件属性

pm4py.stats.get_event_attributes(log: EventLog | DataFrame) → List[str]
说明：统计事件属性

输入参数：
   log–log对象现可视化效果）
输出参数：

   List[str]

示例代码：

import pm4py

event_attributes = pm4py.get_event_attributes(dataframe)

2.4 统计轨迹属性

pm4py.stats.get_trace_attributes(log: EventLog | DataFrame) → List[str]
说明：统计轨迹属性

输入参数：
   log–log对象现可视化效果）
输出参数：

   List[str]

示例代码：

import pm4py

trace_attributes = pm4py.get_trace_attributes(dataframe)

2.5 统计事件属性值

pm4py.stats.get_event_attribute_values(log: EventLog | DataFrame, attribute: str, count_once_per_case=False, case_id_key: str = 'case:concept:name') → Dict[str, int]


说明：统计事件属性值

输入参数：
        log–log对象
        attribute（str）–attribute
        count_once_per_case（bool）–如果为True，则只考虑案例中给定属性值的一次出现（如果有多个事件共享同一属性值，则只计算一次出现）
        case_id_key（str）–要用作案例标识符的属性
输出类型：
        Dict[str，int]

示例代码：

import pm4py

activities = pm4py.get_event_attribute_values(dataframe, 'concept:name', case_id_key='case:concept:name')

2.6 统计指定轨迹属性的值

pm4py.stats.get_trace_attribute_values(log: EventLog | DataFrame, attribute: str, case_id_key: str = 'case:concept:name') → Dict[str, int]

说明：返回指定跟踪属性的值
输入参数：
        log–log对象
        attribute（str）–属性
        case_id_key（str）–要用作案例标识符的属性
输出类型：
        Dict[str，int]

 示例代码：

import pm4py

tr_attr_values = pm4py.get_trace_attribute_values(dataframe, 'case:attribute', case_id_key='case:concept:name')

2.7 统计日志变体

pm4py.stats.get_variants(log: EventLog | DataFrame, activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → Dict[Tuple[str], List[Trace]]

说明：从日志中获取变体
输入参数：
        log–事件日志
        activity_key（str）–要用于活动的属性
        timestamp_key（str）–用于时间戳的属性
        case_id_key（str）–要用作案例标识符的属性
输出类型：
        Dict[Tuple[str]，List[Trace]]

 示例代码：

import pm4py

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

2.8 统计日志变体2

pm4py.stats.get_variants_as_tuples(log: EventLog | DataFrame, activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → Dict[Tuple[str], List[Trace]]

说明：从日志中获取变体（其中键是元组而不是字符串）
输入参数：
      log–事件日志
      activity_key（str）–要用于活动的属性
      timestamp_key（str）–用于时间戳的属性
      case_id_key（str）–要用作案例标识符的属性
输出类型：
        Dict[Tuple[str]，List[Trace]]

示例代码：

import pm4py

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

 2.9 统计活动的自距离

pm4py.stats.get_minimum_self_distances(log: EventLog | DataFrame, 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>中的自距离为无穷大，a在<a、a>中为0，在<a，b、a>为1，等等。最小自距离是事件日志中观察到的最小自距离值。
输入参数：
        log–事件日志（pandas.DataFrame、EventLog或EventStream）
        activity_key（str）–要用于活动的属性
        timestamp_key（str）–用于时间戳的属性
        case_id_key（str）–要用作案例标识符的属性
输出类型：
        Dict[str，int]

示例代码：

import pm4py

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

2.10 统计活动自距离见证人

pm4py.stats.get_minimum_self_distance_witnesses(log: EventLog | DataFrame, activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → Dict[str, Set[str]]

说明：此函数导出最小自距离见证人。a在<a>中的自距离为无穷大，a在<a、a>中为0，在<a，b、a>为1，等等。最小自距离是事件日志中观察到的最小自距离值。“见证人”是见证自我距离最小的活动。例如，如果某个日志L中活动a的最小自距离是2，那么，如果轨迹<a，b，c，a>在日志L中，b和c是a的见证。
输入参数：
        log–要使用的事件日志
        activity_key（str）–要用于活动的属性
        timestamp_key（str）–用于时间戳的属性
        case_id_key（str）–要用作案例标识符的属性
输出类型：
        Dict[str，Set[str]]

示例代码：

import pm4py

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

2.11 统计案例到达时间

pm4py.stats.get_case_arrival_average(log: EventLog | DataFrame, activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → float

说明：获取两个连续事例的开始时间之间的平均差值
输入参数：
        log–log对象
        activity_key（str）–要用于活动的属性
        timestamp_key（str）–用于时间戳的属性
        case_id_key（str）–要用作案例标识符的属性
返回类型：
        float

示例代码：

import pm4py

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

2.12  统计返工活动

pm4py.stats.get_rework_cases_per_activity(log: EventLog | DataFrame, activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → Dict[str, int]

说明：找出日志中哪些活动发生了返工（该活动的轨迹中出现了多个）。输出是一个字典，将发生返工的案例数量与上述每个活动相关联。
输入参数：
        log–log对象
        activity_key（str）–要用于活动的属性
        timestamp_key（str）–用于时间戳的属性
        case_id_key（str）–要用作案例标识符的属性
返回类型：
        Dict[str，int]

示例代码：

import pm4py

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

2.13 统计日志的周期时间

pm4py.stats.get_cycle_time(log: EventLog | DataFrame, activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → float

说明：计算事件日志的周期时间。
所遵循的定义是在中提出的定义：https://www.presentationeze.com/presentations/lean-manufacturing-just-in-time/lean-manufacturing-just-in-time-full-details/process-cycle-time-analysis/calculate-cycle-time/#:~：text=Cycle%20time%20%3D%20Average%20time%20between,is%2024%20minutes%20on%20average。
因此：周期时间=单位完成之间的平均时间。
网站上的例子：考虑一个制造厂，它每40小时生产100个产品。平均吞吐率为每0.4小时1台，即每24分钟1台。因此，周期时间平均为24分钟。
输入参数：
        log–log对象
        activity_key（str）–要用于活动的属性
        timestamp_key（str）–用于时间戳的属性
        case_id_key（str）–要用作案例标识符的属性
返回类型：
        float

示例代码：

import pm4py

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

2.14 统计案例的持续时间

pm4py.stats.get_all_case_durations(log: EventLog | DataFrame, business_hours: bool = False, business_hour_slots=[(25200, 61200), (111600, 147600), (198000, 234000), (284400, 320400), (370800, 406800)], activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → List[float]

说明：获取事件日志中事例的持续时间
输入参数：
        log–事件日志
        business_hours（bool）–启用/禁用基于营业时间的计算（默认值：False）
        business_hour_slots–公司的工作时间表，以元组列表的形式提供，其中每个元组表示一个工作时间段。一个槽，即一个元组，由一个开始时间和一个结束时间组成，以秒为单位，从周开始，例如[（7*60*60，17*60*60]，（（24+7）*60*60%，（24+12）*60=60），（（24/13）*60*60，（24+17）*60*50]，这意味着营业时间为周一07:00-17:00，周二07:00-12:00和13:00-17:00
        activity_key（str）–要用于活动的属性
        timestamp_key（str）–用于时间戳的属性
        case_id_key（str）–要用作案例标识符的属性
返回类型：

        List[float]

示例代码：

import pm4py

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

2.15 统计特定案例的持续时间

pm4py.stats.get_case_duration(log: EventLog | DataFrame, case_id: str, business_hours: bool = False, business_hour_slots=[(25200, 61200), (111600, 147600), (198000, 234000), (284400, 320400), (370800, 406800)], activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str | None = None) → float

说明：获取事件日志中特定事例的持续时间
输入参数：
        log–事件日志
        business_hours（bool）–启用/禁用基于营业时间的计算（默认值：False）
        business_hour_slots–公司的工作时间表，以元组列表的形式提供，其中每个元组表示一个工作时间段。一个槽，即一个元组，由一个开始时间和一个结束时间组成，以秒为单位，从周开始，例如[（7*60*60，17*60*60]，（（24+7）*60*60%，（24+12）*60=60），（（24/13）*60*60，（24+17）*60*50]，这意味着营业时间为周一07:00-17:00，周二07:00-12:00和13:00-17:00
        activity_key（str）–要用于活动的属性
        timestamp_key（str）–用于时间戳的属性
        case_id_key（str）–要用作案例标识符的属性
返回类型：

        List[float]

示例代码：

import pm4py

duration = pm4py.get_case_duration(dataframe, 'case 1', activity_key='concept:name', case_id_key='case:concept:name', timestamp_key='time:timestamp')

2.16 统计活动位置次数

pm4py.stats.get_activity_position_summary(log: EventLog | DataFrame, activity: str, activity_key: str = 'concept:name', timestamp_key: str = 'time:timestamp', case_id_key: str = 'case:concept:name') → Dict[int, int]

说明：给定一个事件日志，返回一个字典，其中总结了活动在事件日志的不同情况下的位置。例如，如果一个活动在位置1发生1000次（案例的第二个事件），在位置2发生500次（案件的第三个事件）时，则返回的字典为：{1/1000，2:500}
输入参数：
        log–事件日志对象/Pandas数据帧
        activity（str）–要考虑的活动
        activity_key（str）–要用于活动的属性
        timestamp_key（str）–用于时间戳的属性
        case_id_key（str）–要用作案例标识符的属性
返回类型：

        Dict[int, int]

示例代码：

import pm4py

act_pos = pm4py.get_activity_position_summary(dataframe, 'Act. A', activity_key='concept:name', case_id_key='case:concept:name', timestamp_key='time:timestamp')

2.17 获取随机语言

pm4py.stats.get_stochastic_language(*args, **kwargs) → Dict[List[str], float]

说明：从提供的日志对象中获取随机语言
输入参数：
        args–Pandas数据帧/事件日志/接受Petri网/过程树
        kwargs–关键字参数

返回类型：

        Dict[List[str], float]

示例代码：

import pm4py

log = pm4py.read_xes('tests/input_data/running-example.xes')
language_log = pm4py.get_stochastic_language(log)
print(language_log)
net, im, fm = pm4py.read_pnml('tests/input_data/running-example.pnml')
language_model = pm4py.get_stochastic_language(net, im, fm)
print(language_model)

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
专栏目录
pm4py-core:PM4Py（Python的流程挖掘）项目的公共存储库
04-01
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 pm4pylog = pm4py . read_xes ( '<path>' )process_model , initial_marking , final_marking = pm4py . discover_...
PM4PY - Process Trees
DreamingBetter的博客
03-22 978
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
【Pm4py第一讲】关于ProcessMining
qq_40420514的博客
04-28 3140
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。
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
2024年，Rust开发语言，现在怎么样了?
LiangGang365的专栏
10-27 1769
Rust到底好不好用，最终还是要看具体的业务场景应用。比如，目前用Rust来编写纯UI的前端，可能还不是很成熟。但在内存管理、安全性和性能优化等领域，Rust无疑是一种非常优秀的语言选择。国内华为、字节、百度、阿里、美团等在通用组件、基础平台系统都在使用rust，其他国内数据库厂商、交易所、理想汽车、小鹏汽车等，以及大量在区块链、游戏行业提供的远程职位
自助餐剩余食品识别图像分割系统：教学内容全覆盖
sgcsdn99的博客
11-04 1361
数据集信息展示在本研究中，我们使用的数据集名为“9_5_Merged”，该数据集专门用于训练改进YOLOv8-seg的自助餐剩余食品识别图像分割系统。该数据集包含71个类别，涵盖了丰富多样的食品种类，旨在提高模型对不同类型剩余食品的识别和分割能力。通过对这些类别的细致划分，我们希望能够实现更高精度的图像分割，进而优化自助餐剩余食品的管理和利用。
【anaconda】使用记录
zhuyan108的博客
11-05 308
window11 下安装anaconda。
探索 Python 的新天地：Helium 库揭秘
AIGC搞起
11-04 792
在自动化测试和网页交互的领域，Selenium 是一个强大的工具，但它的复杂性和陡峭的学习曲线让许多开发者望而却步。Helium库的出现，以其简洁的 API 和易用性，为 Python 开发者提供了一个新的选择。它不仅简化了 Selenium 的使用，还自带 WebDriver，减少了配置的复杂性。Helium 以其简洁的 API 和易用性，为 Python 开发者提供了一个强大的 Selenium 替代方案。它不仅减少了代码量，还简化了 WebDriver 的管理，使得自动化测试和网页交互变得更加容易。
01_IAR新建CC2530工程
nanxl1的博客
11-02 1041
由于很多Zigbee商家提供的教程未有从零建立CC2530工程的讲解，可能会导致后面的开发中出现一些琐碎的问题。本文将以**LED流水灯**为例，从0到1用**IAR**建立CC2530工程。
Python小游戏21——拼图小游戏
cxh666888_的博客
11-05 987
如果图像大小不同，你需要调整tile_size和图像缩放代码。初始化Pygame：使用pygame.init()来初始化Pygame库，这是使用Pygame进行任何游戏开发的第一步。更新屏幕：使用pygame.display.flip()或pygame.display.update()来更新屏幕显示。调整图像大小：使用pygame.transform.scale()来调整图像的大小，以适应拼图游戏的需求。设置屏幕尺寸：使用pygame.display.set_mode()来设置游戏的屏幕尺寸和模式。
cleanfid库的fid使用，及其使用CLIP模型clip_vit_b_32计算FID
百年孤独百年的博客
11-02 970
这篇博客详细介绍了如何使用 cleanfid 库计算 Fréchet Inception Distance (FID)，特别是利用 CLIP 模型 clip_vit_b_32 计算 FID 分数来评估生成图像的质量。内容涵盖了 FID 的概念和原理、cleanfid 库的安装与配置、从缓存中加载与手动加载模型的方法，以及解决可能遇到的依赖问题。通过这篇教程，可以掌握使用 cleanfid 库计算fid的完整流程，并能够解决服务器环境中遇到的联网与模型下载问题。
Python的自然语言生成与对话系统介绍
最新发布
余生的博客
11-05 693
自然语言生成(Natural Language Generation，NLG)和对话系统是人工智能领域的重要研究方向。NLG 涉及将计算机理解的信息转换为自然语言文本，而对话系统则涉及计算机与用户之间的自然语言交互。Python 作为一种易于学习、易于使用的编程语言，在这两个领域中发挥了重要作用。核心概念与联系核心算法原理和具体操作步骤数学模型公式详细讲解具体最佳实践：代码实例和详细解释说明实际应用场景工具和资源推荐总结：未来发展趋势与挑战。
Python中的模块
piziliul的博客
11-04 245
创建introduce.py模块文件。创建my_info.py模块文件。
爬台阶问题
小杏儿的小家
11-05 543
爬楼梯问题的分析，思考，解析以及如何动手用代码进行实践。
【Java知识】Java基础-对象排序的实现
wendao76的专栏
11-04 258
方法，并且需要提供一个比较器（Comparator）来定义对象的排序逻辑。这些示例展示了如何在Java中对对象进行排序，无论是使用列表还是数组，都可以灵活地使用比较器来定义排序规则。在Java中，对象的排序通常涉及到使用。
Golang--DOS命令、变量、基本数据类型、标识符
cookies_s_的博客
11-02 990
DOS命令，语法基础，变量，数据类型，标识符
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