Stan 的 Python 接口，一个用于贝叶斯推理的包
项目描述
PyStan是 Stan 的 Python 接口，Stan 是一个用于贝叶斯推理的包。
Stan® 是用于统计建模和高性能统计计算的最先进平台。数以千计的用户依靠 Stan 在社会、生物和物理科学、工程和商业领域进行统计建模、数据分析和预测。
PyStan 的显着特点包括：
自动缓存已编译的 Stan 模型
自动缓存来自 Stan 模型的样本
类似于 RStan 的接口
开源软件：ISC 许可证
入门
使用pip install pystan 安装 PyStan。PyStan 在 Linux 和 macOS 上运行。您还需要一个 C++ 编译器，例如 gcc ≥9.0 或 clang ≥10.0。
以下代码块展示了如何将 PyStan 与一个模型一起使用，该模型研究了八所学校的教练效果（参见 Gelman 等人 (2003) 的第 5.5 节）。这种分层模型通常被称为“八校”模型。
import stan
schools_code = """
data {
int<lower=0> J; // number of schools
real y[J]; // estimated treatment effects
real<lower=0> sigma[J]; // standard error of effect estimates
}
parameters {
real mu; // population treatment effect
real<lower=0> tau; // standard deviation in treatment effects
vector[J] eta; // unscaled deviation from mu by school
}
transformed parameters {
vector[J] theta = mu + tau * eta; // school treatment effects
}
model {
target += normal_lpdf(eta | 0, 1); // prior log-density
target += normal_lpdf(y | theta, sigma); // log-likelihood
}
"""
schools_data = {"J": 8,
"y": [28, 8, -3, 7, -1, 1, 18, 12],
"sigma": [15, 10, 16, 11, 9, 11, 10, 18]}
posterior = stan.build(schools_code, data=schools_data)
fit = posterior.sample(num_chains=4, num_samples=1000)
eta = fit["eta"] # array with shape (8, 4000)
df = fit.to_frame() # pandas `DataFrame`引文
我们感谢引用，因为它们让我们发现人们一直在使用该软件做什么。引文还提供了可以帮助获得赠款资金的使用证据。
要在出版物中引用 PyStan，请使用：
Riddell, A.、Hartikainen, A. 和 Carter, M. (2021)。PyStan (3.0.0)。https://pypi.org/project/pystan
或使用以下 BibTeX 条目：
@misc{pystan,
title = {pystan (3.0.0)},
author = {Riddell, Allen and Hartikainen, Ari and Carter, Matthew},
year = {2021},
month = mar,
howpublished = {PyPI}
}
还请引用斯坦。
