A model for implementing Carl Menger's Money Theory.
Places a groups of agents in the enviornment randomly
and moves them around randomly to trade with each other.

Modules
		lib.actions lib.display_methods lib.model os capital.trade_utils

Classes
		builtins.object Good lib.model.Model(builtins.object) Money   class Good(builtins.object)     Good(name, amt, age=0)       Methods defined here: __init__(self, name, amt, age=0) Initialize self.  See help(type(self)) for accurate signature. decay(self) get_decr_amt(self) Data descriptors defined here: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined)   class Money(lib.model.Model)     Money(model_nm='money', props=None, grp_struct={'traders': {'mbr_creator': &lt;function create_trader at 0x7bbcb039d5e0&gt;, 'mbr_action': &lt;function trader_action at 0x7bbcb039d820&gt;, 'num_mbrs': 4, 'num_mbrs_prop': 'num_traders'}}, env_action=None, serial_obj=None, exec_key=None)   The model class for the Menger money model.     Method resolution order: Money lib.model.Model builtins.object Methods defined here: __init__(self, model_nm='money', props=None, grp_struct={'traders': {'mbr_creator': <function create_trader at 0x7bbcb039d5e0>, 'mbr_action': <function trader_action at 0x7bbcb039d820>, 'num_mbrs': 4, 'num_mbrs_prop': 'num_traders'}}, env_action=None, serial_obj=None, exec_key=None) Initialize self.  See help(type(self)) for accurate signature. collect_stats(self) collect_stats function for class Money to collect statistics for goods traded. Function may override the collect_stats function in model class. Function collects statistics in variable self.stats and passes it to the function rpt_stats() as comma separated string. create_groups(self) Override this method in your model to create all of your groups. In general, you shouldn't need to: fill in the grp_struct instead. create_pop_hist(self) Set up our pop hist object to record amount traded per period. Directly accessing self.env.pop_hist breaks encapsulation. But that's OK since we plan to move pop_hist into model. handle_props(self, props, model_dir=None) A generic parameter handling method. We get height and width here, since so many models use them. rpt_census(self, acts, moves) This is where we override the default census report. update_pop_hist(self) This is our hook into the env to record the number of trades each period. Directly accessing self.env.pop_hist breaks encapsulation. But that's OK since we plan to move pop_hist into model. Methods inherited from lib.model.Model: __repr__(self) This returns a JSON representation of the model. __str__(self) Return str(self). add_child(self, group) Put a child agent in the womb. group: which group will add new agent The womb should move up into model eventually. add_switch(self, agent_nm, from_grp_nm, to_grp_nm) Switch agent from 1 group to another. The agent and groups should be passed by name. bar_graph(self) create_anew(self, model_nm, props, grp_struct, exec_key, env_action, random_placing, create_for_test=False) Create the model for the first time. create_env(self, env_action=None, random_placing=True) Override this method to create a unique env... but this one will already set the model name and add the groups. create_from_serial_obj(self, serial_obj) Restore the model from its serialized version. create_user(self) This will create a user of the correct type. from_json(self, jrep) This method restores a model from its JSON rep. get_locations(self) get_periods(self) get_pop_hist(self) get_prop(self, prop_nm, default=None) Have a way to get a prop through the model to hide props structure. get_user_msgs(self) handle_args(self) handle_switches(self) This will actually process the pending switches. handle_womb(self) This method adds new agents from the womb. The womb should move up into model eventually. is_api_user(self) is_test_user(self) line_graph(self) pending_switches(self) How many switches are there to execute? rpt_stats(self) This is a "wrap up" report on the results of a model run. Each model can do what it wants here. perhaps will take an iterator object? a file? Function takes in a CSV formatted string from function collect_stats() and writes it to a csv file.   Note: added logic so func will not write to stdout rpt_switches(self) Generate a string to report our switches. run(self, periods=None) This method runs the model. If `periods` is not None, it will run it for that many periods. Otherwise, on a terminal, it will display the menu. Return: 0 if run was fine. runN(self, periods=10) Run our model for N periods. Return the total number of actions taken. run_batch(self, runs, steps) Run our model for N periods X steps. Writes the period specific model statistics to a CSV file. Files are saved as input filename-[integer-counter].csv Returns the total number of actions taken. scatter_plot(self) to_json(self) This method generates the JSON representation for this model. Data descriptors inherited from lib.model.Model: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined)

Functions
		amt_adjust(nature) A func to adjust good amount with divisibility check_props(is_div, is_dura, is_trans) A func to delete properties of goods in nature_goods dictionary if the user wants to disable them. create_model(serial_obj=None, props=None) This is for the sake of the API server: create_trader(name, i, action=None, **kwargs) A func to create a trader. incr_ages(traders) main() nature_to_traders(traders, nature) A func to do the initial endowment from nature to all traders trader_action(agent, **kwargs) A simple default agent action.

Data
		ACCEPT = 1 AGE = 'age' AMT_AVAIL = 'amt_available' DEF_NUM_TRADERS = 4 DEF_TRADE_RANGE = 400 DIVISIBILITY = 'divisibility' DUR = 'durability' EQUILIBRIUM_DECLARED = 10 GEN_UTIL_FUNC = 'gen_util_func' GOODS = 'goods' HEIGHT = 100 INCR = 'incr' INIT_COUNT = 0 IS_ALLOC = 'is_allocated' MODEL_NAME = 'money' MONEY_MAX_UTIL = 100 START_GOOD_AMT = 20 TRADER1 = 0 TRADER2 = 1 TRADER_GRP = 0 TRADE_COUNT = 'trade_count' UTIL_FUNC = 'util_func' WIDTH = 100 eq_count = 0 money_grps = {'traders': {'mbr_action': <function trader_action>, 'mbr_creator': <function create_trader>, 'num_mbrs': 4, 'num_mbrs_prop': 'num_traders'}} natures_goods = {'avocado': {'age': 1, 'amt_available': 20, 'color': 'green', 'divisibility': 0.5, 'durability': 0.3, 'incr': 0, 'is_allocated': False, 'trade_count': 0, 'transportability': 8, 'util_func': 'gen_util_func'}, 'banana': {'age': 1, 'amt_available': 20, 'color': 'limegreen', 'divisibility': 0.2, 'durability': 0.2, 'incr': 0, 'is_allocated': False, 'trade_count': 0, 'transportability': 10, 'util_func': 'gen_util_func'}, 'cheese': {'age': 1, 'amt_available': 20, 'color': 'yellow', 'divisibility': 0.4, 'durability': 0.5, 'incr': 0, 'is_allocated': False, 'trade_count': 0, 'transportability': 25, 'util_func': 'gen_util_func'}, 'cow': {'age': 1, 'amt_available': 20, 'color': 'tan', 'divisibility': 1.0, 'durability': 0.8, 'incr': 0, 'is_allocated': False, 'trade_count': 0, 'transportability': 10, 'util_func': 'gen_util_func'}, 'diamond': {'age': 1, 'amt_available': 20, 'color': 'purple', 'divisibility': 0.8, 'durability': 1.0, 'incr': 0, 'is_allocated': False, 'trade_count': 0, 'transportability': 100, 'util_func': 'gen_util_func'}, 'gold': {'age': 1, 'amt_available': 20, 'color': 'orange', 'divisibility': 0.05, 'durability': 1.0, 'incr': 0, 'is_allocated': False, 'trade_count': 0, 'transportability': 100, 'util_func': 'gen_util_func'}, 'milk': {'age': 1, 'amt_available': 20, 'color': 'white', 'divisibility': 0.15, 'durability': 0.2, 'incr': 0, 'is_allocated': False, 'trade_count': 0, 'transportability': 10, 'util_func': 'gen_util_func'}, 'stone': {'age': 1, 'amt_available': 20, 'color': 'gray', 'divisibility': 1.0, 'durability': 1.0, 'incr': 0, 'is_allocated': False, 'trade_count': 0, 'transportability': 5, 'util_func': 'gen_util_func'}} prev_trade = {'avocado': 0, 'banana': 0, 'cheese': 0, 'cow': 0, 'diamond': 0, 'gold': 0, 'milk': 0, 'stone': 0}