PyMC是一個實現貝葉斯統計模型和馬爾科夫鏈蒙塔卡洛采樣工具擬合算法的Python庫。PyMC的靈活性及可擴展性使得它能夠適用於解決各種問題。除了包含核心采樣功能，PyMC還包含了統計輸出、繪圖、擬合優度檢驗和收斂性診斷等方法。

加qq群813622576或vx;tanzhouyiwean免費領取Python學習資料

特性

PyMC使得貝葉斯分析盡可能更加容易。以下是一些PyMC庫的特性：

• 用馬爾科夫鏈蒙特卡洛算法和其他算法來擬合貝葉斯統計分析模型。
• 包含了大範圍的常用統計分布。
• 盡可能地使用了NumPy的一些功能。
• 包括一個高斯建模過程的模塊。
• 采樣循環可以被暫停和手動調整，或者保存和重新啟動。
• 創建包括表格和圖表的摘要說明。
• 算法跟蹤記錄可以保存為純文本，pickles，SQLite或MySQL數據庫文檔或HDF5文檔。
• 提供了一些收斂性診斷方法。
• 可擴展性：引入自定義的步驟方法和非常規的概率分布。
• MCMC循環可以嵌入在較大的程序中，結果可以使用Python進行分析。

安裝

PyMC可以運行在Mac OS X，Linux和Windows系統中。安裝一些其他預裝庫可以更大程度地提高PyMC的性能和功能。

預裝庫

PyMC的運行要求一些預裝庫的安裝及配置。

• Python2.6及以上版本
• NumPy（1.6版本及以上）
• Matplotlib（1.0版本及以上）
• SciPy（可選）
• pyTables（可選）
• pydot（可選）
• IPython（可選）
• nose（可選）

使用EasyInstall安裝

安裝PyMC最簡單的方式是在終端輸入以下代碼：

確保用戶具有適合的權限進行安裝。

使用預編譯二進制文件進行安裝

1. 從PyPI下載安裝器。
2. 雙擊可執行安裝包，按照向導進行安裝。

編譯源碼安裝

用戶可以從the GitHub download page中下載源代碼並解壓。

從GitHub上安裝

用戶可以在GitHub中查找PyMC，並執行：

歷史版本在/tags目錄中可以找到。

執行測試套件

pymc中包含了一測試用例來確保代碼中的關鍵組件能夠正常運行。在運行這個測試之前，用戶需要保證nose已經在本地安裝好，在Python編譯器中執行以下代碼：

如果測試失敗，將會顯示錯誤的具體信息。

使用

首先，在文件中定義你的模型，並命名為mymodel.py。

保存此文件，在Python編譯器或者相同目錄下的其他文件中調用：

這個例子會產生10000個後驗樣本。這個樣本會存儲在Python序列化數據庫中。

教程示例

教程會指導用戶完成常見的PyMC應用。

如何用MCMC來擬合模型

PyMC提供了一些可以擬合概率模型的方法。最主要的擬合模型方法是MCMC，即馬爾科夫蒙特卡洛算法。生成一個MCMC對象來處理我們的模型，導入disaster_model.py並將其作為MCMC的參數。

調用MCMC中的sample()方法（或者交互采樣函數isample())來運行采樣器：

等待幾秒鐘後，便可以看到采樣過程執行完成，模型已經完成擬合。

加qq群813622576或vx;tanzhouyiwean免費領取Python學習資料

PyMC：馬爾科夫鏈蒙特卡洛采樣工具