---

核心功能

功能	描述	Medium	Gumroad/播客
因果发现 - 概述与入门指南	学习因果建模的基础知识。	链接	---
结构学习	从数据中或结合专家知识学习模型结构。	链接	---
因果预测	学习如何进行因果预测。	链接	---
参数学习	根据观测数据估计模型参数（如条件概率分布）。	链接	---
因果推断	使用 do-calculus 计算干预和反事实分布。	链接	---
生成合成数据	生成合成数据。	链接	---
数据离散化	对连续数据集进行离散化处理。	---	---
对比分析	与其他因果推断库的比较。	链接	---

---

资源与链接

• 示例笔记本: 示例
• 博客文章: Medium
• 文档: 官网
• 问题报告与功能请求: GitHub Issues

---

安装后可用的功能如下：

功能	描述
关键流程
结构学习	bn.structure_learning.fit()
参数学习	bn.parameter_learning.fit()
推理	bn.inference.fit()
进行预测	bn.predict()
生成合成数据	bn.sampling()
计算边强度	bn.independence_test()
关键函数
插补	bn.knn_imputer()
离散化	bn.discretize()
检查模型参数	bn.check_model()
创建有向无环图（DAG）	bn.make_DAG()
获取节点属性	bn.get_node_properties()
获取边属性	bn.get_edge_properties()
从边中获取父节点	bn.get_parents()
为每个节点生成默认的条件概率表（CPT）	bn.generate_cpt()
为所有边生成默认的条件概率表	bn.build_cpts_from_structure()
绘制图表
绘图	bn.plot()
绘制 Graphviz 图	bn.plot_graphviz()
比较两个网络	bn.compare_networks()
加载 DAG（bif 文件）	bn.import_DAG()
加载示例数据	bn.import_example()
转换函数
将 DAG 转换为无向图	bn.to_undirected()
转换为独热编码	bn.df2onehot()
将邻接矩阵转换为向量	bn.adjmat2vec()
将邻接矩阵转换为字典	bn.adjmat2dict()
将向量转换为邻接矩阵	bn.vec2adjmat()
将 DAG 转换为邻接矩阵	bn.dag2adjmat()
将 DataFrame 转换为独热编码	bn.df2onehot()
将查询转换为 DataFrame	bn.query2df()
将向量转换为 DataFrame	bn.vec2df()
度量指标
计算拓扑排序	bn.topological_sort()
计算结构评分	bn.structure_scores()
通用功能
保存模型	bn.save()
加载模型	bn.load()
打印 CPT	bn.print_CPD()

---

安装

从 PyPI 安装 bnlearn

pip install bnlearn

从 GitHub 源代码安装 bnlearn

pip install git+https://github.com/erdogant/bnlearn

加载库

# 导入库
import bnlearn as bn

---

代码示例

    import bnlearn as bn
    # 示例数据框 sprinkler_data.csv 可以通过以下方式加载：
    df = bn.import_example()
    # df = pd.read_csv('sprinkler_data.csv')

Cloudy  Sprinkler  Rain  Wet_Grass
0         0          1     0          1
1         1          1     1          1
2         1          0     1          1
3         0          0     1          1
4         1          0     1          1
..      ...        ...   ...        ...
995       0          0     0          0
996       1          0     0          0
997       0          0     1          0
998       1          1     0          1
999       1          0     1          1


    model = bn.structure_learning.fit(df)
    # 使用卡方检验统计量计算边强度
    model = bn.independence_test(model, df)
    G = bn.plot(model)

# 示例：结构学习

    model_hc_bic  = bn.structure_learning.fit(df, methodtype='hc', scoretype='bic')
    model_hc_k2   = bn.structure_learning.fit(df, methodtype='hc', scoretype='k2')
    model_hc_bdeu = bn.structure_learning.fit(df, methodtype='hc', scoretype='bdeu')
    model_ex_bic  = bn.structure_learning.fit(df, methodtype='ex', scoretype='bic')
    model_ex_k2   = bn.structure_learning.fit(df, methodtype='ex', scoretype='k2')
    model_ex_bdeu = bn.structure_learning.fit(df, methodtype='ex', scoretype='bdeu')
    model_cl      = bn.structure_learning.fit(df, methodtype='cl', root_node='Wet_Grass')
    model_tan     = bn.structure_learning.fit(df, methodtype='tan', root_node='Wet_Grass', class_node='Rain')

# 示例：参数学习

    import bnlearn as bn
    # 导入数据框
    df = bn.import_example()
    # 以设置 CPD 为 False 为例，这将返回一个“空”的贝叶斯网络图
    model = bn.import_DAG('sprinkler', CPD=False)
    # 现在我们使用数据框来学习该贝叶斯网络图的参数
    model_update = bn.parameter_learning.fit(model, df)
    # 绘制图形
    G = bn.plot(model_update)

# 示例：推理

    import bnlearn as bn
    model = bn.import_DAG('sprinkler')
    query = bn.inference.fit(model, variables=['Rain'], evidence={'Cloudy':1,'Sprinkler':0, 'Wet_Grass':1})
    print(query)
    print(query.df)
    
    # 再尝试一次推理
    query = bn.inference.fit(model, variables=['Rain'], evidence={'Cloudy':1})
    print(query)
    print(query.df)

---

星级历史

贡献者

感谢所有贡献者！

维护者

• 埃尔多甘·塔塞森，GitHub: erdogant
• 欢迎大家贡献代码。
• 是的！这个库完全免费，但它靠咖啡运行！:) 如果您愿意，请通过 一杯咖啡给予支持。

bnlearn 快速上手指南

bnlearn 是一个用于因果发现的 Python 库，专注于贝叶斯网络的结构学习、参数学习、推理及采样。它封装了常用的概率图模型管道，让开发者能轻松从数据中学习因果关系并进行预测。

1. 环境准备

• 操作系统：Windows, Linux, macOS
• Python 版本：支持 Python 3.x (推荐 3.8+)
• 前置依赖：安装时会自动处理主要依赖（如 pandas, numpy, pgmpy 等）。
  • 注意：若需使用 plot_graphviz 进行高级绘图，请确保系统已安装 Graphviz 软件并将其添加到环境变量 PATH 中。

2. 安装步骤

方式一：通过 PyPI 安装（推荐）

国内用户建议使用清华或阿里镜像源以加速下载：

pip install bnlearn -i https://pypi.tuna.tsinghua.edu.cn/simple

或使用官方源：

pip install bnlearn

方式二：从 GitHub 源码安装（获取最新版本）

pip install git+https://github.com/erdogant/bnlearn

验证安装

在 Python 环境中导入库：

import bnlearn as bn

3. 基本使用

以下是最简单的“结构学习”工作流：加载示例数据 -> 学习网络结构 -> 计算边强度 -> 可视化结果。

最小化示例代码

import bnlearn as bn

# 1. 加载内置示例数据 (sprinkler_data)
# 实际使用中可替换为: df = pd.read_csv('your_data.csv')
df = bn.import_example()

# 2. 结构学习：从数据中自动推断贝叶斯网络结构
model = bn.structure_learning.fit(df)

# 3. 独立性检验：计算边的强度 (使用卡方检验统计量)
model = bn.independence_test(model, df)

# 4. 可视化网络结构
G = bn.plot(model)

进阶：指定算法进行结构学习

bnlearn 支持多种结构学习算法（如爬山法 hc、穷举搜索 ex、Chow-Liu cl 等）和评分标准（如 bic, k2, bdeu）。

import bnlearn as bn

df = bn.import_example()

# 使用爬山法 (Hill Climbing) 配合 BIC 评分
model_hc_bic = bn.structure_learning.fit(df, methodtype='hc', scoretype='bic')

# 使用穷举搜索 (Exhaustive Search) 配合 K2 评分
model_ex_k2 = bn.structure_learning.fit(df, methodtype='ex', scoretype='k2')

# 绘制对比或单独绘制
bn.plot(model_hc_bic)

核心功能速查

• 参数学习: bn.parameter_learning.fit(model, df)
• 因果推理: bn.inference.fit(model, variables=['Rain'], evidence={'Sprinkler': 1})
• 生成合成数据: bn.sampling(model, n=1000)
• 数据离散化: bn.discretize(df)
• 保存/加载模型: bn.save(model), bn.load('model.zip')