PyMC: выборка шаг за шагом?

Я хотел бы знать, почему сэмплер невероятно медленный при пошаговой выборке. Например, если я запускаю:

mcmc = MCMC(model)
mcmc.sample(1000)

выборка быстрая. Однако, если я запускаю:

mcmc = MCMC(model)
for i in arange(1000):
    mcmc.sample(1)

выборка медленнее (и чем больше выборок, тем медленнее).

Если вам интересно, почему я это спрашиваю... ну, мне нужна пошаговая выборка, потому что я хочу выполнять некоторые операции со значениями переменных после каждого шага сэмплера.

Есть ли способ ускорить его?

Заранее спасибо!

------------------ РЕДАКТИРОВАТЬ ------------------------------- ------------------------------

Здесь я представляю конкретную проблему более подробно:

У меня есть две конкурирующие модели, и они являются частью более крупной модели, в которой есть категориальная переменная, функционирующая как «переключатель» между ними.

В этом игрушечном примере у меня есть наблюдаемый вектор Y, который можно объяснить распределением Пуассона или геометрическим распределением. Категориальная переменная «switch_model» выбирает геометрическую модель, когда = 0, и модель Пуассона, когда = 1.

После каждой выборки, если switch_model выбирает геометрическую модель, я хочу, чтобы переменные модели Пуассона НЕ обновлялись, потому что они не влияют на вероятность и, следовательно, просто уходят. Обратное верно, если модель switch_model выбирает модель Пуассона.

В основном то, что я делаю на каждом шаге, — это «изменение» значения невыбранной модели, возвращая ее вручную на один шаг назад.

Я надеюсь, что мое объяснение и закомментированный код будут достаточно понятными. Дайте мне знать, если вам нужна дополнительная информация.

import numpy as np
import pymc as pm
import pandas as pd
import matplotlib.pyplot as plt

# OBSERVED VALUES
Y = np.array([0, 1, 2, 3, 8])

# PRIOR ON THE MODELS
pi = (0.5, 0.5)

switch_model = pm.Categorical("switch_model", p = pi) 
# switch_model = 0 for Geometric, switch_model = 1 for Poisson

p = pm.Uniform('p', lower = 0, upper = 1) # Prior of the parameter of the geometric distribution
mu = pm.Uniform('mu', lower = 0, upper = 10) # Prior of the parameter of the Poisson distribution


# LIKELIHOOD
@pm.observed
def Ylike(value = Y, mu = mu, p = p, M = switch_model):
    if M == 0:
        out = pm.geometric_like(value+1, p)
    elif M == 1:
        out = pm.poisson_like(value, mu)
    return out

model = pm.Model([Ylike, p, mu, switch_model])

mcmc = pm.MCMC(model)

n_samples = 5000

traces = {}
for var in mcmc.stochastics:
    traces[str(var)] = np.zeros(n_samples)


bar = pm.progressbar.progress_bar(n_samples)
bar.update(0)

mcmc.sample(1, progress_bar=False)
for var in mcmc.stochastics:
    traces[str(var)][0] = mcmc.trace(var)[-1]


for i in np.arange(1,n_samples):
    mcmc.sample(1, progress_bar=False)
    bar.update(i)
    for var in mcmc.stochastics:
        traces[str(var)][i] = mcmc.trace(var)[-1]
    if mcmc.trace('switch_model')[-1] == 0: # Gemetric wins
        traces['mu'][i] = traces['mu'][i-1] # One step back for the sampler of the Poisson parameter
        mu.value = traces['mu'][i-1]

    elif mcmc.trace('switch_model')[-1] == 1: # Poisson wins
        traces['p'][i] = traces['p'][i-1] # One step back for the sampler of the Geometric parameter
        p.value = traces['p'][i-1]

print '\n\n'

traces=pd.DataFrame(traces)

traces['mu'][traces['switch_model'] == 0] = np.nan
traces['p'][traces['switch_model'] == 1] = np.nan

print traces.describe()

traces.plot()
plt.show()