เครื่องมือวิเคราะห์การอยู่รอดใน Python [ปิด]

ฉันสงสัยว่ามีแพ็กเกจสำหรับไพ ธ อนที่สามารถทำการวิเคราะห์การอยู่รอดได้หรือไม่ ฉันใช้แพ็คเกจการเอาตัวรอดใน R แต่ฉันต้องการย้ายงานของฉันไปที่ python

AFAIK ไม่มีแพ็คเกจการเอาตัวรอดในหลาม ในฐานะที่เป็น MBq ความเห็นข้างต้นเส้นทางเดียวที่มีอยู่จะRpy

แม้ว่าจะมีแพ็คเกจไพ ธ อนแท้ๆ แต่ฉันก็ต้องระวังอย่างมากในการใช้มันโดยเฉพาะอย่างยิ่งฉันจะดูที่:

• อัพเดตบ่อยแค่ไหน
• มันมีฐานผู้ใช้ขนาดใหญ่หรือไม่?
• มันมีเทคนิคขั้นสูงหรือไม่?

หนึ่งในข้อดีของ R คือแพคเกจมาตรฐานเหล่านี้ได้รับการทดสอบจำนวนมากและผู้ใช้ย้อนกลับ เมื่อจัดการกับข้อมูลจริงกรณีขอบที่ไม่คาดคิดสามารถคืบเข้ามา

ตรวจสอบโครงการlifelinesสำหรับการใช้งานโมเดลการเอาตัวรอดที่ง่ายและสะอาดใน Python รวมถึง

• ตัวประมาณของฟังก์ชันการเอาชีวิตรอด
• การประมาณค่าของเส้นโค้งอันตรายสะสม
• โมเดลการถดถอยความเป็นอันตรายตามสัดส่วนของ Cox
• รูปแบบการถดถอยของ Cox แตกต่างกันไปตามเวลา
• แบบจำลองพารามิเตอร์ AFT
• แบบจำลองการถดถอยเพิ่มเติมของอาเลน
• การทดสอบหลายตัวแปร

ประโยชน์ที่ได้รับ:

• สร้างขึ้นบน Pandas
• หลามบริสุทธิ์ & ติดตั้งง่าย
• สร้างขึ้นในฟังก์ชั่นการวางแผน
• อินเตอร์เฟซที่เรียบง่าย

เอกสารมีอยู่ที่นี่: เอกสารและตัวอย่าง

ตัวอย่างการใช้งาน:

from lifelines import KaplanMeierFitter

survival_times = np.array([0., 3., 4.5, 10., 1.])
events = np.array([False, True, True, False, True])

kmf = KaplanMeierFitter()
kmf.fit(survival_times, event_observed=events)

print(kmf.survival_function_)
print(kmf.median_)
kmf.plot()

ตัวอย่างพล็อตจากไลบรารีการพล็อตในตัว:

1. คำเตือน: ฉันเป็นผู้เขียนหลัก Ping ฉัน (อีเมลในรายละเอียด) สำหรับคำถามหรือข้อเสนอแนะเกี่ยวกับสายใย

python-asurvเป็นความพยายามในการพอร์ตซอฟต์แวร์asurvสำหรับวิธีการเอาตัวรอดในดาราศาสตร์ อาจคุ้มค่าที่จะจับตามอง แต่ cgillespie นั้นถูกต้องเกี่ยวกับสิ่งที่ต้องระวัง: มันมีหนทางอีกยาวไกลและการพัฒนาดูเหมือนจะไม่กระตือรือร้น (AFAICT มีเพียงวิธีเดียวเท่านั้นที่มีอยู่และเสร็จสมบูรณ์แล้วแพคเกจอาจไม่เพียงพอพูดนักชีวสถิติ)

คุณอาจดีกว่าการใช้ความอยู่รอดของแพคเกจใน R จากงูหลามผ่านสิ่งเช่นRPyหรือPyper ฉันไม่มีปัญหาในการทำสิ่งนี้ด้วยตนเอง

PyIMSLประกอบไปด้วยรูทีนการวิเคราะห์การเอาตัวรอด มันฟรีในฐานะเบียร์สำหรับการใช้งานที่ไม่ใช่เชิงพาณิชย์ จากเอกสารในคู่มือผู้ใช้สถิติ ...

คำนวณประมาณการ Kaplan-Meier ของความน่าจะเป็นเพื่อการอยู่รอด: kaplanMeierEstimates ()

วิเคราะห์ข้อมูลการรอดชีวิตและความน่าเชื่อถือโดยใช้โมเดลอันตรายตามสัดส่วนของ Cox: propHazardsGenLin ()

วิเคราะห์ข้อมูลการอยู่รอดโดยใช้โมเดลเชิงเส้นทั่วไป: SurvivalGlm ()

ประมาณการโดยใช้โหมดพาราเมตริกต่างๆ: SurvivalEstimates ()

ประมาณฟังก์ชั่นอันตรายที่น่าเชื่อถือโดยใช้วิธีการแบบไม่พารามิเตอร์: nonparamHazardRate ()

จัดทำตารางประชากรและกลุ่มชีวิต: lifeTables ()

ตอนนี้คุณสามารถใช้ R จากภายในIPythonได้ดังนั้นคุณอาจต้องการใช้ IPython กับส่วนขยาย R

ฉันยังต้องการพูดถึงscikit-Survivalซึ่งเป็นแบบจำลองสำหรับการวิเคราะห์การอยู่รอดที่สามารถใช้ร่วมกับเครื่องมือจาก scikit-Learn (เช่นการตรวจสอบข้าม KFold)

ในฐานะที่เป็นลายลักษณ์อักษรนี้Scikit-Survivalรวมถึงการใช้งานของ

• ตัวประมาณเนลสันอาเลนของฟังก์ชันอันตรายสะสม
• เครื่องมือประเมินการอยู่รอดของ Kaplan-Meier
• โมเดลความเป็นอันตรายตามสัดส่วนของค็อกซ์ที่มีและไม่มีการลงโทษสุทธิแบบยืดหยุ่น
• แบบจำลองเวลาความล้มเหลวเร่ง
• เครื่องเวกเตอร์สนับสนุนการอยู่รอด
• การไล่ระดับสีแบบ Cox
• ดัชนีความสอดคล้องสำหรับการประเมินประสิทธิภาพ

นอกเหนือจากการใช้Rผ่านRPyหรือเทียบเท่ามีจำนวนของการวิเคราะห์การอยู่รอดในห้องสมุดงูหลามstatsmodels (เดิมsicpy.statsmodel) พวกเขาอยู่ในแพ็คเกจ "แซนด์บ็อกซ์" ซึ่งหมายความว่าพวกเขาไม่ควรพร้อมสำหรับการผลิตในขณะนี้

เช่นคุณมีรูปแบบค็อกซ์อันตรายสัดส่วนรหัสที่นี่