Python是一種流行的編程語言，被廣泛用于數據科學和機器學習領域。貝葉斯統計學是概率論的一個分支，它使用先驗概率和數據來推斷參數的后驗概率。貝葉斯統計學在機器學習中具有重要的應用，特別是在分類問題中。

Python具有眾多的貝葉斯庫，包括pymc3、PyMC、BayesPy、PyStan和Pyro等。這些庫提供了貝葉斯模型的建立、推理和預測等功能，簡化了貝葉斯分析的實現過程。

# 樣本生成
import numpy as np
# 隨機生成100個[0, 1]之間的數作為樣本數據
np.random.seed(123)
data = np.random.random(100)
# 模型建立
from scipy.stats import beta
# 假設數據符合Beta分布，設定參數
a, b = 2, 5
prior = beta(a, b)
posterior = beta(a + sum(data), b + len(data) - sum(data))
# 繪制先驗概率和后驗概率的概率密度函數
import matplotlib.pyplot as plt
# 橫坐標
theta = np.linspace(0, 1, 100)
# 繪制先驗概率密度函數
plt.plot(theta, prior.pdf(theta), 'r-', lw=2, alpha=0.6, label='Prior pdf')
# 繪制后驗概率密度函數
plt.plot(theta, posterior.pdf(theta), 'b-', lw=2, alpha=0.6, label='Posterior pdf')
# 設置橫縱坐標的標簽
plt.xlabel(r'$\theta$')
plt.ylabel('pdf')
# 設置標題和圖例
plt.title('Bayesian Inference Example')
plt.legend()
# 顯示圖像
plt.show()

這段代碼演示了貝葉斯推斷的過程。首先，隨機生成100個[0, 1]之間的數作為樣本數據。然后，假設數據符合Beta分布，設定參數。接著，建立先驗概率分布和后驗概率分布，并繪制它們的概率密度函數。最后，顯示圖像。

Python的貝葉斯庫為貝葉斯統計學的應用提供了強大的支持，使機器學習任務變得更加簡單和高效。