对于另一种替代方法，您可以查看 PyMC 库。Fonnesbeck 创建了一个很好的要点，它可以引导您完成 HMM 的创建过程。

如果你真的对 PyMC 很感兴趣，这里有一本很棒的关于贝叶斯建模的开源书籍。它没有明确描述隐马尔可夫过程，但它提供了一个关于库本身的非常好的教程，其中包含大量示例。

作为这个问题的更新，我认为接受的答案并不是 2017 年最好的。

正如 Kyle 在评论中所建议的，hmmlearn目前是 Python 中 HMM 的库。

造成这种情况的几个原因：

• 最新的文档，非常详细，包括教程

• _BaseHMM自定义子类可以继承的类以实现 HMM 变体

• 与 Python 3.5+ 的最新版本兼容

• 直观使用

与此相反，根据当前文档，该ghmm 库不支持 Python 3.x。大多数文档页面都是在 2006 年生成的。乍一看，它似乎不是首选库...

编辑：在 2018 年仍然有效。

pomegranate库支持 HMM，文档非常有用。在 python 中尝试了许多 hmm 库之后，我发现这非常好。

对于另一种方法，甚至可能有助于促进理解，您可能会在通过 R 进行一些分析时发现一些实用程序。基于简单时间序列的教程比比皆是 [想要] Quant，应该提供引导。第 1部分，第 2部分，第 3部分，第 4 部分。这些提供了数据生成/接收和操作的来源，允许您绕过大部分工作，以便能够查看实际的 HMM 方法在工作中。Python 实现有直接的类似物。

作为旁注，对于更理论的介绍，也许拉宾纳可能会提供一些见解