Інструменти аналізу виживання в Python [закрито]

Мені цікаво, чи є пакети для python, який здатний виконувати аналіз виживання. Я використовував пакет виживання в R, але хотів би перенести свою роботу на python.

AFAIK, в python не існує жодного пакету аналізу виживання. Як зазначає mbq вище, єдиним доступним маршрутом був би Rpy .

Навіть якби був доступний чистий пакет python, я був би дуже обережний у його використанні, зокрема, я би звернув увагу на:

• Як часто воно оновлюється.
• Чи має велику базу користувачів?
• Чи є в ньому передові методики?

Однією з переваг R є те, що ці стандартні пакети отримують величезну кількість тестування та зворотного зв’язку користувачів. У роботі з реальними даними можуть виникнути несподівані крайові випадки.

Ознайомтеся з проектом f життєвих ресурсів для простої та чистої реалізації моделей виживання на Python, у тому числі

• Оцінювачі функцій виживання
• Оцінювачі кривих сукупної небезпеки
• Модель пропорційної регресії небезпеки Кокса
• Модель регресії, що відрізняється часом Кокса
• параметричні моделі AFT
• Модель адитивної регресії Алена
• Багатовимірне тестування

Переваги:

• побудований на вершині Панди
• чистий Python та простий в установці
• вбудовані в графічні функції
• простий інтерфейс

Документація доступна тут: документація та приклади

Приклад використання:

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()

Приклади графіків із вбудованої бібліотеки графіків:

1. Відмова: Я головний автор. Пишіть мені (електронною поштою у профілі) для запитань або відгуків про життєві лінії .

python-asurv - це спроба перенести програмне забезпечення asurv для методів виживання в астрономії. Можливо, варто стежити за тим, але cgillespie має рацію щодо того, на що слід стежити: у нього ще довгий шлях, і розвиток не здається активним. (AFAICT існує лише один метод, і навіть він завершений, пакет може бракувати, скажімо, для біостатистів.)

Вам, мабуть, краще використовувати пакет виживання в R від Python через щось на зразок RPy або PypeR . У мене не було ніяких проблем робити це сам.

PyIMSL містить декілька процедур для аналізу виживання. Це безкоштовно як у пиві для некомерційного використання, повністю підтримується інакше. З документації в Посібнику користувача статистики ...

Обчислює оцінку ймовірностей виживання Каплана-Мейєра: kaplanMeierEstimates ()

Аналізує дані про виживання та надійність за допомогою моделі пропорційної небезпеки Кокса: propHazardsGenLin ()

Аналізує дані про виживання за допомогою узагальненої лінійної моделі: survivalGlm ()

Оцінки за допомогою різних параметричних режимів: survivalEstimates ()

Оцінює функцію небезпеки щодо надійності за допомогою непараметричного підходу: nonparamHazardRate ()

Створює таблиці населення та когорти життя: lifeTables ()

Тепер ви можете використовувати R зсередини IPython , тому ви, можливо, захочете вивчити використання IPython з розширенням R.

Я також хочу зазначити scikit-виживання , яке надає моделі аналізу виживання, які легко поєднуються з інструментами scikit-learn (наприклад, перехресна перевірка KFold).

Станом на це написання, scikit-виживання включає реалізацію

• Нельсон-Ален оцінювач функції накопичувальної небезпеки.
• Оцінювач функції виживання Каплана-Мейєра.
• Модель пропорційної небезпеки Кокса із штрафом із пружною сіткою та без неї.
• Модель часу прискореного відмови.
• Векторна підтримка виживання.
• Градієнт підсилив модель Кокса.
• індекс відповідності для оцінки ефективності.

Окрім використання Rчерез RPyабо еквівалент, у бібліотеці статистичних моделей (раніше sicpy.statsmodel) пітонів існує ряд процедур аналізу виживання . Вони знаходяться в упаковці "пісочниці", тобто зараз вони не повинні бути готові до виробництва.

Наприклад, у вас тут закодована модель Кокса пропорційної небезпеки .