Python中支持构建与采样的贝叶斯网络库推荐求助

我之前也碰到过pomegranate采样抛出NotImplementedError的问题，确实挺头疼的。给你推荐几个接口友好、能稳定实现贝叶斯网络构建与采样的Python库，亲测好用：

1. pgmpy #

这是专门针对概率图模型开发的库，对贝叶斯网络的支持非常全面——从结构定义、条件概率分布（CPD）配置，到推断、采样全都覆盖，文档详细，社区活跃度也高，是这类需求的首选。

举个简单的构建+采样示例：

from pgmpy.models import BayesianNetwork
from pgmpy.factors.discrete import TabularCPD
from pgmpy.sampling import BayesianModelSampling

# 定义贝叶斯网络的依赖结构
model = BayesianNetwork([('A', 'C'), ('B', 'C')])

# 定义每个节点的条件概率分布
cpd_a = TabularCPD(variable='A', variable_card=2, values=[[0.6], [0.4]])
cpd_b = TabularCPD(variable='B', variable_card=2, values=[[0.7], [0.3]])
cpd_c = TabularCPD(variable='C', variable_card=2,
                   values=[[0.9, 0.6, 0.7, 0.1],
                           [0.1, 0.4, 0.3, 0.9]],
                   evidence=['A', 'B'], evidence_card=[2, 2])

# 将CPD添加到模型并验证有效性
model.add_cpds(cpd_a, cpd_b, cpd_c)
assert model.check_model()

# 生成1000条采样数据
sampler = BayesianModelSampling(model)
samples = sampler.sample(size=1000)
print(samples.head())

它提供了多种采样方式，比如forward_sample（前向采样）、rejection_sample（拒绝采样）等，可以根据你的网络复杂度选择合适的方法。

2. bnlearn #

这是基于pgmpy封装的高层库，API更简洁直观，适合快速开发或者新手入门。它把pgmpy的底层操作做了封装，你不用写太多冗余代码就能完成BN构建和采样，还支持从现有数据自动学习BN结构。

示例代码：

import bnlearn as bn
from pgmpy.factors.discrete import TabularCPD

# 一键定义结构和CPD
model = bn.make_DAG([('A', 'C'), ('B', 'C')],
                     CPD=[
                         TabularCPD(variable='A', variable_card=2, values=[[0.6], [0.4]]),
                         TabularCPD(variable='B', variable_card=2, values=[[0.7], [0.3]]),
                         TabularCPD(variable='C', variable_card=2, values=[[0.9, 0.6, 0.7, 0.1], [0.1, 0.4, 0.3, 0.9]], evidence=['A', 'B'], evidence_card=[2, 2])
                     ])

# 生成采样数据
samples = bn.sampling(model, n=1000)
print(samples.head())

3. Pyro #

如果你需要更灵活的概率模型定义（比如要结合深度学习），Facebook开发的Pyro是个不错的选择。它属于概率编程框架，虽然学习曲线比前两个陡，但能支持复杂的贝叶斯网络结构，采样功能也很稳定。

简单示例：

import pyro
import pyro.distributions as dist
from pyro.infer import EmpiricalMarginal, Importance
import pandas as pd

def bayesian_network():
    # 定义节点A和B的先验分布
    a = pyro.sample("A", dist.Bernoulli(0.6))
    b = pyro.sample("B", dist.Bernoulli(0.7))
    # 根据A、B的值确定C的概率
    c_prob = 0.9 if (a == 0 and b == 0) else 0.6 if (a == 0 and b == 1) else 0.7 if (a == 1 and b == 0) else 0.1
    c = pyro.sample("C", dist.Bernoulli(c_prob))
    return a, b, c

# 执行1000次采样
posterior = Importance(bayesian_network, num_samples=1000)()
samples = EmpiricalMarginal(posterior, sites=["A", "B", "C"]).enumerate_support()

# 转换为DataFrame方便查看
df = pd.DataFrame(samples.numpy(), columns=["A", "B", "C"])
print(df.head())

另外，如果你还是想尝试pomegranate，可以试试升级到最新版本，部分旧版本的采样功能确实未完全实现，但最新版可能有修复。不过从稳定性和功能完整性来看，上面几个库会更靠谱。

内容的提问来源于stack exchange，提问作者Rutger Mauritz