erdogant/bnlearn

Python package for Causal Discovery by learning the graphical structure of Bayesian networks. Structure Learning, Parameter Learning, Inferences, Sampling methods.

bnlearn – 用于贝叶斯网络学习与因果分析的 Python 库

功能 – bnlearn 允许您构建、训练和查询概率图模型（贝叶斯网络）。它涵盖了整个工作流程：

结构学习 – 使用经典评分（BIC、K2、BDeu）和搜索策略（穷举、爬山、Chow-Liu、TAN 等）发现最能解释您数据的有向无环图（DAG）。
参数学习 – 为给定的 DAG 估计条件概率表（CPT），即使数据不完整也可进行。
推断与预测 – 计算后验概率、干预性（do-计算）和反事实查询，并进行因果预测。
合成数据与工具 – 从学习到的模型中采样新数据，离散化连续变量，填补缺失值，并在图表示形式之间转换（邻接矩阵、边列表、Graphviz）。
可视化 – 使用 Matplotlib 或 Graphviz 绘制网络结构，比较两个网络，并导出模型。

所有这些功能都封装在简洁、高层次的 API 中（bn.structure_learning.fit()、bn.parameter_learning.fit()、bn.inference.fit()、bn.predict() 等），您只需几行代码，即可从原始的 pandas DataFrame 快速构建出一个完整的因果模型。

快速开始

# 安装（需要 Python 3.10+）
pip install bnlearn          # 或通过 conda、uv，或直接从 GitHub 安装

import bnlearn as bn

# 加载示例数据集（经典的洒水系统网络）
df = bn.import_example()

# 1️⃣ 从数据中学习网络结构
model = bn.structure_learning.fit(df)

# 2️⃣ 可选地计算边强度统计信息
model = bn.independence_test(model, df)

# 3️⃣ 可视化学习到的 DAG
bn.plot(model)

# 4️⃣ 学习 CPT（参数学习）
model = bn.parameter_learning.fit(model, df)

# 5️⃣ 执行因果推断
query = bn.inference.fit(model, variables=['Rain'],
                         evidence={'Cloudy': 1, 'Sprinkler': 0, 'Wet_Grass': 1})
print(query.df)

该库还提供了针对特定任务的即用型流水线（例如，bn.sampling() 用于生成合成数据，bn.knn_imputer() 用于缺失值填补，bn.discretize() 用于连续特征分箱）。

适用场景

因果发现 – 适合需要从观测数据中揭示有向关系的研究人员和数据科学家。
概率建模 – 任何需要量化不确定性的领域（医学、金融、可靠性工程等）都非常有用。
教育与原型开发 – 丰富的文档、笔记本和博客教程使其成为教授贝叶斯网络概念的良好教学工具。

文档与社区

完整 API 文档 – https://erdogant.github.io/bnlearn/
示例笔记本 – 文档中提供 Google Colab 链接。
博客与播客 – 每个主要功能都有 Medium 文章和简短音频讲解。
开源项目 – MIT 许可，积极维护（约 2k 星，定期发布），欢迎贡献。

TL;DR

bnlearn 是一个文档完善、可通过 pip 安装的 Python 包，它简化了基于贝叶斯网络的因果建模的端到端工作流程：发现结构、学习参数、运行推断、生成数据、可视化结果——仅需几个高层函数调用即可完成。