CSTA

一个个人统计库，支持蒙特卡洛。

用法

将 csta 添加到 Cargo.toml。

[dependencies]
csta = "1.0.0"
csta_derive = version = "1.0.0"
rand = "0.8.5"

直方图

let mut hist = Hist::with_buckets(0.0, 6.0, 6);
let mut rng = thread_rng();

for _ in 0..1000 {
    let x = rng.gen_range(0.0..6.0);
    hist.add(&x);
}

println!("avg: {}, sd: {}", hist.average(), hist.variance().sqrt());

为了保存直方图，结构体中包含一个保存函数。

hist.save("./histogram");

作为一个方便函数，有 save numpy，它使得使用matplotlib进行绘图更容易。

hist.save_numpy("./histogram");

import matplotlib.pyplot as plt
import numpy as np

[counts, bins] = np.loadtxt("histogram", delimiter=",")
# the first count is a filler, so we remove it
counts = counts[1:]
plt.stairs(counts, bins, fill=True)
plt.show()

更完整的示例在这个文件中。在这里是Python绘图器的代码这里。

可随机化和蒙特卡洛

可随机化是一个可派生特质，用于生成具有随机值的结构体。

#[derive(Debug, Randomizable)]
struct Dice<const N: usize>(#[rng(range(1..=N))] usize);

任何可随机化都可以用于蒙特卡洛迭代器。

MonteCarlo::default()
    .into_iter()
    .take(10)
    .for_each(|dice: Dice<6> /* type anotations needed */| {
        println!("dice: {:?}", dice);
    });

任何可随机化的元组都是可随机化的，f64是可随机化的。要了解更多关于可随机化派生和蒙特卡洛的信息，请访问这个文件。

索引

提供索引工具，用于ising系统。

马尔可夫

马尔可夫链系统。用于ising和Lennard-Jones中的粒子。

前言

库中常用类型，以便更容易使用库。