pypmc公司是一个专注于自适应重要性的python包取样。它可以用于从用户定义的目标密度。一个典型的应用是贝叶斯推论，人们想从后面取样以边缘化并计算证据。关键思想是创造通过调整高斯或学生的t分量与目标密度的比值。该软件包能够有效地在精度不超过1%。对于许多问题，这是可以实现的无需用户手动输入有关功能。pypmc公司支持对群集进行重要性采样机器通过mpi4py开箱即用。

可以单独使用的有用工具包括：

• 重要性抽样（抽样与整合）
• 自适应马尔可夫链蒙特卡罗（抽样）
• 变分贝叶斯（聚类）
• 人口蒙特卡罗（聚类）

说明如下保持在这里.

完整记录的示例在示例子目录来源分布或在线可用，包括样本输出在这里.感觉可以根据您的需要自由保存和修改它们。

包含手册和api描述的完整文档可在在这里.

pypmc由Stephan Jahn（慕尼黑工业大学）在监督下开发作为斯蒂芬硕士论文的一部分2014年，在德国加兴的卓越集群世界。

如果您使用pypmc公司在学术工作中，我们恳请您引用上述zenodo DOI所示的相应释放。谢谢！

Danny van Dyk协助日常维护。