GetDist：一个用于分析蒙特卡洛样本的Python包

摘要 蒙特卡洛技术，包括MCMC和其他方法，广泛用于贝叶斯推理，以从感兴趣的参数空间生成样本集。Python GetDist包提供分析这些样本的工具，并使用核密度估计(KDE)计算边际一维和二维密度。许多蒙特卡洛方法产生相关和/或加权样本，例如由MCMC、嵌套或重要性取样产生的样本，且可能存在严格的边界先验。GetDist的基线方法包括应用线性边界核，然后使用乘法偏差校正。平滑带宽根据Botev等人的方法自动选择，基于启发式和优化结果的组合，使用预计的样本有效数量进行缩放（在此定义为考虑MCMC的相关性和权重）。二维KDE使用自动确定的椭圆高斯核处理相关分布。该包包括使用简单的命名参数接口生成各种出版质量图形的工具，以及可用于交互式探索的图形用户界面。它还可以计算收敛诊断，生成限制表，并以latex格式输出，并公开可用。