要解决这个问题，我们首先需要确保数据在离散的有限域上，并且网络结构和参数都正确。下面是一个代码示例，展示了如何使用bnlearn中的cpquery函数来计算简单的离散人工数据的概率：

# 安装和加载bnlearn包
install.packages("bnlearn")
library(bnlearn)

# 创建一个简单的离散人工数据集
data <- data.frame(A = c(1, 1, 0, 0), B = c(1, 0, 1, 0), C = c(1, 0, 0, 1))

# 创建一个简单的贝叶斯网络结构
network <- empty.graph(nodes = c("A", "B", "C"))
network <- set.arc(network, from = "A", to = "B")
network <- set.arc(network, from = "B", to = "C")

# 估计网络参数
fitted_network <- bn.fit(network, data)

# 使用cpquery函数计算P(A=1 | C=1)
result <- cpquery(fitted_network, event = (A == 1), evidence = (C == 1))

# 输出计算结果
print(result)

在这个示例中，我们首先创建了一个包含三个离散变量（A、B和C）的简单数据集。然后，我们创建了一个网络结构，其中A指向B，B指向C。接下来，我们使用bn.fit函数来估计网络的参数。最后，我们使用cpquery函数来计算在C=1的条件下A=1的概率。

如果cpquery函数返回0，那么可能是数据、网络结构或参数设置有误。确保数据是离散的、有限域上的，并且网络结构和参数设置正确。