贝叶斯网络的主要优势包括：

1. 易于建模和理解：贝叶斯网络使用图形模型的方式来表示变量之间的依赖关系，这样可以直观地表示概率分布和因果关系。通过观察网络结构，可以快速理解变量之间的关系，并对模型进行调整。

2. 数据不足的情况下仍能进行推理：贝叶斯网络可以利用领域专家的先验知识来构建模型，即使在数据不足的情况下，仍可以进行有效的推理。通过引入先验概率，贝叶斯网络可以对未观测到的变量进行推理，并给出相应的置信度。

3. 可以处理不确定性：贝叶斯网络可以处理不确定性的问题，例如缺失数据、噪声和不完整的信息。通过使用概率推理，可以对不确定性进行建模和量化，使得决策过程更加准确和可靠。

以下是使用Python的pgmpy库构建和推理贝叶斯网络的示例代码：

from pgmpy.models import BayesianModel
from pgmpy.factors.discrete import TabularCPD

# 定义贝叶斯网络的结构
model = BayesianModel([('D', 'G'), ('I', 'G'), ('G', 'L'), ('I', 'S')])

# 定义变量的条件概率分布
cpd_d = TabularCPD(variable='D', variable_card=2, values=[[0.6, 0.4]])
cpd_i = TabularCPD(variable='I', variable_card=2, values=[[0.7, 0.3]])
cpd_g = TabularCPD(variable='G', variable_card=3,
                   values=[[0.3, 0.05, 0.9, 0.5],
                           [0.4, 0.25, 0.08, 0.3],
                           [0.3, 0.7, 0.02, 0.2]],
                   evidence=['D', 'I'], evidence_card=[2, 2])
cpd_l = TabularCPD(variable='L', variable_card=2,
                   values=[[0.1, 0.4, 0.99],
                           [0.9, 0.6, 0.01]],
                   evidence=['G'], evidence_card=[3])
cpd_s = TabularCPD(variable='S', variable_card=2,
                   values=[[0.95, 0.2],
                           [0.05, 0.8]],
                   evidence=['I'], evidence_card=[2])

# 将条件概率分布添加到模型中
model.add_cpds(cpd_d, cpd_i, cpd_g, cpd_l, cpd_s)

# 进行推理
from pgmpy.inference import VariableElimination
infer = VariableElimination(model)

# 计算给定观测值的概率
print(infer.query(variables=['G'], evidence={'I': 0})['G'])

这个示例中，首先使用pgmpy库定义了一个贝叶斯网络模型，然后定义了各个变量的条件概率分布。接着将条件概率分布添加到模型中，并使用VariableElimination类进行推理。最后通过infer.query方法计算给定观测值的概率，输出结果为变量G的概率分布。