インストール環境

Win10 pro 64 bit
Anaconda環境 (conda4.7)

リポジトリconda-forgeの追加

anacondaでは、conda とpipのインストールが混在すると環境が壊れることがあります。
condaとpip：混ぜるな危険
 Jupyter Notebookが起動しないと思ったらAnaconda環境が壊れていた
ですので、できるだけcondaだけでインストールしたほうが良いです。
conda-forgeは、github上のコミュニティ主体のパッケージコレクションで、たくさんのパッケージを公開しており、condaのdefaultsでは見つからないパッケージをダウンロードすることが可能です。
condaのパッケージ参照リポジトリにconda-forgeをリポジトリ先に加えることがおすすめです。
condaが探すリポジトリ先を変更する方法(conda-forgeの追加)
以下参照記事のコピー

condaが探すリポジトリ先を確認します

conda config --get channels
--add channels 'defaults'   # lowest priority

defaultsを探しにいっていることがわかります。
そこで、探す先にconda-forgeを追加します。

$conda config --append channels conda-forge

conda-forgeが追加されたことを確認します。

$conda config --get channels
--add channels 'conda-forge'   # lowest priority
--add channels 'defaults'   # highest priority

###conda仮想環境へのpystanのインストール

conda-forgeのリポジトリにはPystanのパッケージが存在します。
https://anaconda.org/conda-forge/pystan
PyStan on Windows
に詳しく書いたあります。それに従ってインストールします。

anaconda promptを開いて

conda create -n stan python=3.6

と入力します。

-ｎ　の後は自由に名前を付けることができます。今回はstanとしています。
pythonは3.6としています。3.6以上を入れる必要があります。
これでpython=3.6が入った仮想環境ができます。

conda activate stan

と入力しstanの仮想環境に入ります。

そうすると
(base)C:\User\username>　だったものが
(stan)C:\User\username> に変わります。

ここでパッケージのインストールを行います。

conda install Cython Numpy pystan

さらに

conda install matplotlib jupyter

などをインストールします。必要があれば、scipy pandas などもconda でインストールします。
C++ compilerをインストールします。

conda install libpython m2w64-toolchain -c msys2

PYTHONPATH\\Lib\\distutils にある distutils.cfgに次のコマンドを付け加えます。

[build]
compiler=mingw32

###jupyter notebookでの仮想環境の切り替え

Condaで作ってる仮想環境の切り替えをJupyter上で簡単に行う方法
 Anacondaの仮想環境をJupyter notebookに反映させる方法

jupyter notebookからcondaで作成した仮想環境を簡単に使えるように設定します。
まず仮想環境のstanから抜けます

conda deactivate 
(base)C:\User\username>　になります。

そこで、以下のコマンドを入力します。（以下、上記参照のコピー）

pip install environment_kernels
jupyter notebook --generate-config

~/.jupyter/jupyter_notebook_config.py
という設定ファイルが生成されていると思います。
このファイルをテキストエディターなどで開いて、以下の設定を書き込みます。

c.NotebookApp.kernel_spec_manager_class='environment_kernels.EnvironmentKernelSpecManager'
c.EnvironmentKernelSpecManager.env_dirs=['仮想環境が生成されているパス']

私の場合：　'仮想環境が生成されているパス'=　'C:\Users\Username\Anaconda3\envs'
これでJupyterでPystanが使える環境ができるはずです。

動作確認

環境構築後
jupyter notebookを開いて、仮想環境としてstanを選んで、以下のようなテストコードを入力してみてください。
おっさんが挑むPyStanによるMCMC～インストール編～

import pystan
# import numpy as np
# import matplotlib.pyplot as plt
%matplotlib inline

schools_dat = {'J': 8, 'y': [28,  8, -3,  7, -1,  1, 18, 12],'sigma': [15, 10, 16, 11,  9, 11, 10, 18]}

schools_code = """
data {
    int<lower=0> J; // number of schools
    real y[J]; // estimated treatment effects
    real<lower=0> sigma[J]; // s.e. of effect estimates
}
parameters {
    real mu;
    real<lower=0> tau;
    real eta[J];
}
transformed parameters {
    real theta[J];
    for (j in 1:J)
    theta[j] = mu + tau * eta[j];
}
model {
    eta ~ normal(0, 1);
    y ~ normal(theta, sigma);
}
"""

sm = pystan.StanModel(model_code=schools_code)
fit = sm.sampling(data=schools_dat, iter=1000, chains=4)

------------
INFO:pystan:COMPILING THE C++ CODE FOR MODEL anon_model_cbe9cd2f1e5ab5d1c7cce1f23ca970b4 NOW.
WARNING:pystan:1 of 2000 iterations ended with a divergence (0.05 %).
WARNING:pystan:Try running with adapt_delta larger than 0.8 to remove the divergences.
------------

上記の命令でコンパイルが始まります。エラーなどが出る場合はこちらを参照してください。
PyStan on Windows

la = fit.extract(permuted=True)
print(la['mu'])

------------
[ 2.58420099  7.99739289  4.00372858 ... 13.27834916  6.86538085
  3.91047685]
------------

la['mu'].shape

------------
(2000,)
------------

print(fit)

------------
Inference for Stan model: anon_model_cbe9cd2f1e5ab5d1c7cce1f23ca970b4.
4 chains, each with iter=1000; warmup=500; thin=1; 
post-warmup draws per chain=500, total post-warmup draws=2000.

           mean se_mean     sd   2.5%    25%    50%    75%  97.5%  n_eff   Rhat
mu         8.01    0.15    5.0  -1.69   4.62   7.97  11.18  18.19   1083    1.0
tau         6.5    0.22   5.76   0.35    2.3   5.03   9.02  20.53    686   1.01
eta[1]     0.37    0.02   0.95  -1.54  -0.27    0.4   1.03   2.18   1701    1.0
eta[2]   6.2e-4    0.02    0.9   -1.8  -0.58-6.4e-3   0.59   1.75   2426    1.0
eta[3]    -0.22    0.02   0.93   -2.0  -0.84  -0.23   0.39   1.72   1929    1.0
eta[4]    -0.03    0.02   0.88  -1.74  -0.65  -0.04   0.56   1.72   1788    1.0
eta[5]    -0.35    0.02   0.88  -2.07  -0.93  -0.36   0.22   1.44   1732    1.0
eta[6]     -0.2    0.02   0.92  -2.06  -0.78   -0.2   0.39   1.59   2007    1.0
eta[7]     0.32    0.02   0.86  -1.39  -0.23   0.31   0.89   1.94   2004    1.0
eta[8]     0.03    0.02   0.92  -1.69  -0.59   0.02   0.61   1.87   1682    1.0
theta[1]  11.33    0.25   8.45  -1.69   5.73  10.07  15.61  32.57   1173    1.0
theta[2]   8.14    0.12   6.24  -4.42   4.13   8.01  11.73  21.98   2780    1.0
theta[3]   5.79    0.19   7.85 -12.05   1.72   6.53  10.58  19.89   1658    1.0
theta[4]   7.59    0.15   6.55  -5.96   3.43   7.67  11.63  21.41   2018    1.0
theta[5]   4.97    0.15   6.61  -9.97   1.24   5.52   9.27   17.2   1849    1.0
theta[6]   6.15    0.17    6.7  -9.04    2.3   6.63  10.46  18.87   1565    1.0
theta[7]  10.68    0.18   6.77   -0.5   6.23  10.03  14.28   26.5   1402    1.0
theta[8]   8.37    0.23   8.06  -7.13   3.85   8.01  12.33  25.96   1221    1.0
lp__      -4.89     0.1   2.61 -10.75  -6.45  -4.71  -3.11   -0.3    690   1.01

Samples were drawn using NUTS at Fri Nov  8 09:59:19 2019.
For each parameter, n_eff is a crude measure of effective sample size,
and Rhat is the potential scale reduction factor on split chains (at 
convergence, Rhat=1).
------------

fit.plot()