PyMC3 3.11.4调用hpd函数提示无对应属性报错如何解决？

PyMC3自3.11.0版本起，将HPD（最高后验密度）计算等统计工具函数从内置的pymc3.stats模块迁移到了独立的统计诊断依赖库ArviZ中，你使用的3.11.4版本已经完全移除了pymc3.stats.hpd接口，因此两种调用方式都会触发属性错误。

• 方法1：直接使用ArviZ的hpd接口（最推荐）
  PyMC3安装时会默认附带ArviZ依赖，无需额外安装，仅需调整导入和调用语句即可，参数规则和原pm.stats.hpd完全兼容：

# 新增导入
import arviz as az
import numpy as np
from scipy import stats
import pymc3 as pm

# 原有业务代码不变
def posterior_grid_approx(grid_points=100, success=6, tosses=9):
    p_grid = np.linspace(0, 1, grid_points)
    prior = np.repeat(5, grid_points)
    likelihood = stats.binom.pmf(success, tosses, p_grid)
    unstd_posterior = likelihood * prior
    posterior = unstd_posterior / unstd_posterior.sum()
    return p_grid, posterior

p_grid, posterior = posterior_grid_approx(grid_points=100, success=6, tosses=9)
samples = np.random.choice(p_grid, p=posterior, size=int(1e4), replace=True)

# 替换原来的pm.stats.hpd调用即可
az.hpd(samples, alpha=0.5)

• 方法2：降级PyMC3版本
  如果必须沿用旧版pm.stats.hpd调用逻辑，可以将PyMC3降级到3.10.0及更早版本：

pip install pymc3==3.10.0

该方案不推荐，旧版本存在大量已知bug和兼容性问题。

• 方法3：手动实现HPD计算逻辑
  如果不想引入额外依赖，可以手动实现一维样本的HPD计算：

def calc_hpd(samples, alpha=0.5):
    sorted_samples = np.sort(samples)
    n = len(sorted_samples)
    window_size = int(np.floor((1 - alpha) * n))
    window_intervals = sorted_samples[window_size:] - sorted_samples[:n - window_size]
    min_interval_idx = np.argmin(window_intervals)
    return sorted_samples[min_interval_idx], sorted_samples[min_interval_idx + window_size]

内容的提问来源于stack exchange，提问作者xarles