用途：PyMC 用于概率编程与贝叶斯建模，通过 MCMC 构建并拟合贝叶斯模型，适合贝叶斯回归与分类、分层/多水平模型、不确定性量化、先验/后验预测检验以及模型比较（LOO、WAIC）。
主要能力：可用 pm.Model 定义先验与似然，支持维度坐标（coords/dims）、线性与逻辑回归、分层模型（含非中心化参数化）；采样默认使用 NUTS，也可用 pm.fit 做变分推断（如 advi）；配合 ArviZ 做诊断与可视化，如 az.summary、az.plot_trace、az.plot_posterior、az.plot_ppc、az.hdi，并可用 az.compare 比较模型。
使用方式：典型流程为导入 pymc 与 arviz，在 with pm.Model() 中定义先验和似然，调用 pm.sample(draws, tune, chains, target_accept, random_seed) 采样，再用 az.summary 等分析；预测时用 pm.set_data 更新数据并调用 pm.sample_posterior_predictive。
适用场景：需要量化不确定性、构建分层结构或进行贝叶斯推断的统计建模任务。
限制与注意：资料未提供安装命令、收费与平台信息。诊断上 R-hat 应小于 1.01、ESS 应大于 400；出现发散可提高 target_accept（如 0.95）或改用非中心化参数化，ESS 偏低可增加采样或重参数化，R-hat 偏高可延长链。建议标准化预测变量、使用弱信息先验，并在拟合前后分别做先验与后验预测检验。文档与示例见 https://www.pymc.io/projects/docs/ 与 https://www.pymc.io/projects/examples/。