马尔可夫链转移矩阵全输出'0.000'问题求助

我来帮你排查这个转换矩阵全为0的问题！从你描述的情况来看，数据确实在activities列表里，但矩阵没正确统计到状态转移的权重，大概率是状态匹配或计数逻辑出了问题，咱们一步步来捋：

1. 先确认状态值与矩阵索引的映射是否正确 #

你提到有59种整数状态，但要注意：如果状态值的范围（比如从1到59）和矩阵的索引范围（0到58）不对应，直接用状态值当索引会导致匹配失败，计数自然为0。

建议先做一个状态到索引的映射字典，把离散的状态值对应到矩阵的行/列位置：

# 先提取所有唯一状态并排序，确保映射稳定
unique_states = sorted(list(set(activities)))
# 确认唯一状态数量确实是59
assert len(unique_states) == 59, "提取的唯一状态数量不对！"
# 构建状态到索引的映射
state_to_idx = {state: idx for idx, state in enumerate(unique_states)}

2. 检查转移计数的循环逻辑是否正确 #

转换矩阵的核心是统计相邻状态对的出现次数，如果遍历逻辑错了，就会完全没计数。正确的遍历方式应该是抓activities里连续的元素对：

import numpy as np

# 初始化59×59的零矩阵
transition_matrix = np.zeros((59, 59), dtype=np.float64)

# 遍历所有相邻的状态对
for i in range(len(activities) - 1):
    current_state = activities[i]
    next_state = activities[i+1]
    # 通过映射获取对应的矩阵索引
    curr_idx = state_to_idx[current_state]
    next_idx = state_to_idx[next_state]
    # 对该转移路径计数+1
    transition_matrix[curr_idx][next_idx] += 1

# 按行归一化得到权重（每行和为1，代表从当前状态转移到其他状态的概率）
row_sums = transition_matrix.sum(axis=1, keepdims=True)
# 避免除以0的情况（如果某状态没有出度）
transition_matrix = np.divide(transition_matrix, row_sums, where=row_sums != 0)
# 格式化输出为保留三位小数的字符串
transition_matrix_formatted = np.vectorize(lambda x: f"{x:.3f}")(transition_matrix)

3. 加调试步骤验证计数是否生效 #

可以在循环里加个打印，确认计数逻辑真的在工作：

for i in range(len(activities) - 1):
    current_state = activities[i]
    next_state = activities[i+1]
    curr_idx = state_to_idx[current_state]
    next_idx = state_to_idx[next_state]
    transition_matrix[curr_idx][next_idx] += 1
    # 每处理100对就打印一次当前计数
    if i % 100 == 0:
        print(f"处理第{i}对状态：{current_state}->{next_state}，对应矩阵位置计数：{transition_matrix[curr_idx][next_idx]}")

如果打印里能看到计数在增加，那问题可能出在后续的归一化或格式化；如果还是0，那要么是状态映射错了，要么是activities里根本没有不同状态的连续转移（但你说数据存在，前者概率更大）。

4. 排查状态值的类型或范围问题 #

最后可以做个小检查，确保activities里的状态都符合预期：

# 检查第一个元素的类型，确保是整数
print(f"状态元素类型：{type(activities[0])}")
# 检查是否有不在映射里的无效状态
invalid_states = [s for s in activities if s not in state_to_idx]
print(f"无效状态数量：{len(invalid_states)}")

如果有无效状态，说明你提取的unique_states没覆盖所有实际存在的状态，得重新生成映射。

内容的提问来源于stack exchange，提问作者Richard Hames