dstz

简介

dstz是一个用于证据理论的Python包，提供了一系列工具和函数，帮助用户处理和应用证据理论。

安装

使用pip安装dstz:

pip install dstz

要求 Python >= 3.9。

例子

仓库中的示例脚本用模块方式运行，例如：

git clone https://github.com/ztxtech/dstz.git
cd dstz
pip install -e .
python -m example.space_example

直接运行 python example/space_example.py 会因为包路径不在 sys.path 上而报 ModuleNotFoundError，请始终用 python -m example.<脚本名>。

• 见./example/conflict_example.py 中实现了一个经典的证据冲突的融合。
• 见./example/ppt.py 中实现了一个pignistic probability transformation。
• 见./example/moment.py 中实现了一个计算证据对应的矩的例子。
• 见./example/space_example.py 中实现了辨识框架的幂集与排列集构造，以及对应的最大熵分布。
• 见./example/rps_example.py 中实现了随机排列集左交融合的例子。
• 见./example/wang_orthogonal_example.py 中实现了论文Wang, Y., Li, Z., & Deng, Y. (2024). A new orthogonal sum in Random Permutation Set. Fuzzy Sets and Systems, 109034 中的正交rps融合规则。

文档

完整的API文档和使用指南可在项目主页上找到。

发布

发行包从 GitHub 直接发布到 PyPI，本地与仓库都不保存 PyPI token，鉴权使用 PyPI 的 trusted publishing（OIDC 短期令牌）：

1. 一次性配置（在 PyPI 完成）：在 dstz 项目的 Publishing settings 里添加 pending publisher， 指定仓库 ztxtech/dstz、工作流 publish.yml、environment pypi； TestPyPI 同理，环境名为 testpypi。GitHub 侧在仓库 Settings → Environments 创建同名 environment（可按需要加审批人）。

2. 本地预检（可选）：sh ./build.sh，只做清理、打包和 twine check --strict，不上传。

3. 正式发布：把 pyproject.toml 里的 version 改成目标版本号并提交， 然后打标签推送：

   git tag v0.0.8
   git push origin v0.0.8

   CI 会先校验标签与 pyproject.toml 版本一致，再构建、校验并发布到 PyPI。

4. 想先演练整条链路：在 Actions 里手动运行 publish 工作流，target 选 testpypi，产物投递到 TestPyPI。

每次推送标签都会同时构建 sdist 与 wheel；PR 与推送到 main 的提交由 ci 工作流跑测试并校验发行包。

支持与交流

有任何问题或建议，欢迎在GitHub Issues页面提交。

许可证

本项目遵循MIT License。

作者：Tianxiang Zhan 电子邮件：zhantianxianguestc@hotmail.com

致谢

感谢所有贡献者和社区成员的帮助和支持。

相关论文

本软件包的编程思想基于Zhan等人的论文，如果涉及相关内容，请引用相关文献。

@article{zhan2024generalized,
  title={Generalized information entropy and generalized information dimension},
  author={Zhan, Tianxiang and Zhou, Jiefeng and Li, Zhen and Deng, Yong},
  journal={Chaos, Solitons \& Fractals},
  volume={184},
  pages={114976},
  year={2024},
  publisher={Elsevier}
}

@article{zhan2024random,
  title={Random Graph Set and Evidence Pattern Reasoning Model},
  author={Zhan, Tianxiang and Li, Zhen and Deng, Yong},
  journal={arXiv preprint arXiv:2402.13058},
  year={2024}
}