pgmpy

用 Python 轻松搞定贝叶斯网络与因果推断

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开发框架 🍴 复刻 1214 🐛 待处理 683 👀 关注 69

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 3368

维护状态活跃

是否开源开源

定价模式 🏷️完全免费开源项目，MIT许可证，完全免费，无付费版本。

项目预览

项目数据

分类开发框架

开发团队pgmpy

官网地址https://pgmpy.org

GitHubhttps://github.com/pgmpy/pgmpy

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，完全免费，无付费版本。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言Python

技术栈/模型bayesian-networks,causal-discovery,causal-effect,causal-identification,causal-inference,causal-models,causal-prediction,causal-validation,graphical-models,hacktoberfest,mixed-data,probabilistic-inference,python,simulation,synthetic-data

GitHub 星标★ 3368

上线时间2013-09-20 00:00:00

代码更新2026-11-06

仓库体积16.8 MB

本站数据更新2026-11-09

维护状态活跃

收录时间2026-08-10

浏览次数6

项目介绍

pgmpy 是一个纯 Python 实现的概率图模型工具包，专注于因果推理与概率推理。它解决了从数据中学习贝叶斯网络结构、参数估计、因果效应识别与推断等问题。核心能力包括：支持多种结构学习算法（如 PC、FCI、GES 等），参数学习（MLE、Bayesian），精确与近似推理（变量消元、置信传播、MCMC），以及因果推断（do-演算、反事实推理）。它提供统一的 API 和丰富的文档，适合教学、科研和工业应用。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-10 · 当前星标 ★ 3368

技术标签

causal-inference hacktoberfest python simulation synthetic-data

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：入门约 10 分钟部署方式：库/依赖 5 步

环境要求

已安装 Python 环境（版本 README 未指定）
已安装 pip（从 PyPI 安装时使用）或 conda（从 conda-forge 安装时使用）
网络可访问 PyPI 或 conda-forge 源

安装与启动步骤

1检查 Python 环境

pgmpy 是纯 Python 工具包，先确认本机已有可用的 Python 与 pip，避免安装到错误环境。
```
python --version
pip --version
```
2用 pip 安装

README 首推的安装方式，从 PyPI 安装 pgmpy 及其依赖，适合 virtualenv/conda 等常规环境。
```
pip install pgmpy
```
3或用 conda 安装

如果你用的是 conda 环境，README 提供了 conda-forge 渠道的安装命令，二选一即可。
```
conda install conda-forge::pgmpy
```
4验证安装

导入模块确认包已正确安装、无缺依赖报错。
```
python -c "import pgmpy"
```
5查看文档与示例

README 指向官方文档、示例页与教程仓库，按其上的内容学习使用方法。