scikiti -survival库的简介
scikiti -survival是一个建立在scikiti -learn之上的用于生存分析的Python模块。它可以利用scikit-learn的力量进行生存分析，例如进行预处理或交叉验证。
scikiti -survival(也称为事件发生时间或可靠性分析)的目的是建立协变量和事件发生时间之间的联系。生存分析与传统机器学习的不同之处在于，部分训练数据只能被部分观察到——它们被审查了。例如，在临床研究中，患者通常在一个特定的时间段内被监测，并记录在这个时间段内发生的事件。如果一个病人经历了一个事件，事件的确切时间可以被记录-病人的记录是不被审查的。与此相反，正确删除的记录指的是在研究期间没有发生事件的患者，并且不知道在研究结束后是否发生了事件。因此，生存分析要求模型考虑到这种数据集的独特特征。
Requirements
Python 3.5 or later
cvxpy
cvxopt
joblib
numexpr
numpy 1.12 or later
osqp
pandas 0.21 or later
scikit-learn 0.22 or 0.23
scipy 1.0 or later
C/C++ compiler
scikiti -survival库的安装
pip install scikit-survival
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple scikit-survival
conda install -c sebp scikit-survival
scikiti -survival库的使用方法
1、退伍军人管理局肺癌试验
from sksurv.datasets import load_veterans_lung_cancer
data_x, data_y = load_veterans_lung_cancer()
data_y
import pandas as pd
pd.DataFrame.from_records(data_y[[11, 5, 32, 13, 23]], index=range(1, 6))
import matplotlib.pyplot as plt
from sksurv.nonparametric import kaplan_meier_estimator
time, survival_prob = kaplan_meier_estimator(data_y["Status"], data_y["Survival_in_days"])
plt.step(time, survival_prob, where="post")
plt.ylabel("est. probability of survival $\hat{S}(t)$")
plt.xlabel("time $t$")
print(data_x["Treatment"].value_counts())
for treatment_type in ("standard", "test"):
mask_treat = data_x["Treatment"] == treatment_type
time_treatment, survival_prob_treatment = kaplan_meier_estimator(
data_y["Status"][mask_treat],
data_y["Survival_in_days"][mask_treat])
plt.step(time_treatment, survival_prob_treatment, where="post",
label="Treatment = %s" % treatment_type)
plt.ylabel("est. probability of survival $\hat{S}(t)$")
plt.xlabel("time $t$")
plt.legend(loc="best")
for value in data_x["Celltype"].unique():
mask = data_x["Celltype"] == value
time_cell, survival_prob_cell = kaplan_meier_estimator(data_y["Status"][mask],
data_y["Survival_in_days"][mask])
plt.step(time_cell, survival_prob_cell, where="post",
label="%s (n = %d)" % (value, mask.sum()))
plt.ylabel("est. probability of survival $\hat{S}(t)$")
plt.xlabel("time $t$")
plt.legend(loc="best")