Pystanの環境構築

（追記）
いろいろ以下に書いてみたけど、cmdstanpyのほうが環境構築も簡単だし、処理も早い。
ということに気づいた。
たぶん、これからpythonでstanを使うなら、cmdstanpyでやるのが標準になるだろう。

ーーーーーーーーーー

stan_code/pystan_env_memo.txt at main · gotzy/stan_code · GitHub

Pystanの環境構築でエラーでまくったので、うまくいった方法をメモ。

#まず専用の環境を作る
python -m venv myenv
source myenv/bin/activate

#install libraries
pip install numpy==1.21.6 pandas==1.3.5 pystan==3.3.0  
pip install jupyter nest_asyncio httpstan 

#option
pip install scipy==1.10.1
pip install arviz==0.13.0
pip install pymc3==3.11.6  

ーー
で、
以下のサンプルコード（Jupyter）がうまく動いた
REF:
Google Colab環境でpystan 3.3を利用する #Python - Qiita

ーー

import nest_asyncio
nest_asyncio.apply()
import stan

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, requires pandas
df