贝叶斯网络是一种图模型，用于表示变量之间的概率依赖关系。在计算贝叶斯网络时，我们常常需要进行概率计算，包括计算给定证据条件下的概率，或者计算变量间的联合概率分布等。下面是一个使用Python的示例代码，用于计算贝叶斯网络中的概率。

首先，我们需要安装pgmpy库，它是一个用于概率图模型的Python库：

pip install pgmpy

然后，我们可以使用以下代码示例来构建贝叶斯网络并进行概率计算：

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

# 定义贝叶斯网络结构
model = BayesianModel([('A', 'B'), ('A', 'C'), ('B', 'D'), ('C', 'D')])

# 定义变量的条件概率分布
cpd_a = TabularCPD(variable='A', variable_card=2, values=[[0.6, 0.4]])
cpd_b = TabularCPD(variable='B', variable_card=2, values=[[0.7, 0.3], [0.2, 0.8]], evidence=['A'], evidence_card=[2])
cpd_c = TabularCPD(variable='C', variable_card=2, values=[[0.3, 0.7], [0.4, 0.6]], evidence=['A'], evidence_card=[2])
cpd_d = TabularCPD(variable='D', variable_card=2, values=[[0.9, 0.1, 0.8, 0.2], [0.2, 0.8, 0.3, 0.7]], evidence=['B', 'C'], evidence_card=[2, 2])

# 将条件概率分布添加到贝叶斯网络中
model.add_cpds(cpd_a, cpd_b, cpd_c, cpd_d)

# 计算给定证据的条件概率
print(model.get_cpds('D'))
print(model.get_cpds('D').values)

在上述代码中，我们首先定义了贝叶斯网络的结构，然后使用TabularCPD定义了各个变量的条件概率分布。最后，我们将条件概率分布添加到贝叶斯网络中，并使用get_cpds方法获取指定变量的条件概率分布。输出结果将显示给定证据条件下的概率。

请注意，这只是贝叶斯网络计算的一个简单示例，实际应用中可能涉及更复杂的网络结构和更多的变量。