只是为了用一个具体的例子来阐明上述答案，以便对某人有所帮助，让我们从以下简单的数据集开始（有 4 个变量和 5 个数据点）：

import pandas as pd
df = pd.DataFrame({'A':[0,0,0,1,0], 'B':[0,0,1,0,0], 'C':[1,1,0,0,1], 'D':[0,1,0,1,1]})
df.head()

#   A   B   C   D
#0  0   0   1   0
#1  0   0   1   1
#2  0   1   0   0
#3  1   0   0   1
#4  0   0   1   1 

现在，让我们使用带有石榴的“精确”算法（使用 DP/A* 学习最佳 BN 结构）从上述数据中学习贝叶斯网络结构，使用以下代码片段：

import numpy as np
from pomegranate import *
model = BayesianNetwork.from_samples(df.to_numpy(), state_names=df.columns.values, algorithm='exact')
# model.plot()

下图显示了学习的 BN 结构以及相应的 CPT：

从上图可以看出，准确的解释了数据。我们可以使用模型计算数据的对数似然，如下所示：

np.sum(model.log_probability(df.to_numpy()))
# -7.253364813857112

一旦学习了 BN 结构，我们就可以从 BN 中采样如下：

model.sample()  
# array([[0, 1, 0, 0]], dtype=int64)

附带说明一下，如果我们algorithm='chow-liu'改为使用（它找到具有快速近似的树状结构），我们将获得以下 BN：

这次数据的对数似然是

np.sum(model.log_probability(df.to_numpy()))
# -8.386987635761297

这表明算法exact找到了更好的估计。

请使用该函数from_samples()从数据中构建贝叶斯 n/w。

在 github中有一个未解决的pomegranate问题。在这个问题中，他们提到了一个持续的拉取请求，该请求实现了拒绝抽样和吉布斯抽样；PR讨论的最后一条评论来自7天前（2020年5月17日），所以没有放弃，而是积极开发。您可以使用来自该 PR 的版本从您的贝叶斯网络中采样。pomegranate