ฉันสงสัยว่ามีแพ็กเกจสำหรับไพ ธ อนที่สามารถทำการวิเคราะห์การอยู่รอดได้หรือไม่ ฉันใช้แพ็คเกจการเอาตัวรอดใน R แต่ฉันต้องการย้ายงานของฉันไปที่ python
survival
แพคเกจของ R อยู่ภายใต้การตรวจสอบอย่างใกล้ชิดโดยชุมชนขนาดใหญ่
ฉันสงสัยว่ามีแพ็กเกจสำหรับไพ ธ อนที่สามารถทำการวิเคราะห์การอยู่รอดได้หรือไม่ ฉันใช้แพ็คเกจการเอาตัวรอดใน R แต่ฉันต้องการย้ายงานของฉันไปที่ python
survival
แพคเกจของ R อยู่ภายใต้การตรวจสอบอย่างใกล้ชิดโดยชุมชนขนาดใหญ่
คำตอบ:
AFAIK ไม่มีแพ็คเกจการเอาตัวรอดในหลาม ในฐานะที่เป็น MBq ความเห็นข้างต้นเส้นทางเดียวที่มีอยู่จะRpy
แม้ว่าจะมีแพ็คเกจไพ ธ อนแท้ๆ แต่ฉันก็ต้องระวังอย่างมากในการใช้มันโดยเฉพาะอย่างยิ่งฉันจะดูที่:
หนึ่งในข้อดีของ R คือแพคเกจมาตรฐานเหล่านี้ได้รับการทดสอบจำนวนมากและผู้ใช้ย้อนกลับ เมื่อจัดการกับข้อมูลจริงกรณีขอบที่ไม่คาดคิดสามารถคืบเข้ามา
ตรวจสอบโครงการlifelinesสำหรับการใช้งานโมเดลการเอาตัวรอดที่ง่ายและสะอาดใน Python รวมถึง
ประโยชน์ที่ได้รับ:
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:
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
rpy2
) ฉันก็ชอบที่จะเห็นตัวอย่างรวดเร็ว (มันเป็นความเข้าใจของฉันว่ารูปแบบการอยู่รอดยังไม่พร้อมอย่างเต็มที่ในการstatsmodels .)
ฉันยังต้องการพูดถึงscikit-Survivalซึ่งเป็นแบบจำลองสำหรับการวิเคราะห์การอยู่รอดที่สามารถใช้ร่วมกับเครื่องมือจาก scikit-Learn (เช่นการตรวจสอบข้าม KFold)
ในฐานะที่เป็นลายลักษณ์อักษรนี้Scikit-Survivalรวมถึงการใช้งานของ
นอกเหนือจากการใช้R
ผ่านRPy
หรือเทียบเท่ามีจำนวนของการวิเคราะห์การอยู่รอดในห้องสมุดงูหลามstatsmodels (เดิมsicpy.statsmodel
) พวกเขาอยู่ในแพ็คเกจ "แซนด์บ็อกซ์" ซึ่งหมายความว่าพวกเขาไม่ควรพร้อมสำหรับการผลิตในขณะนี้