Narzędzia analizy przeżycia w Pythonie [zamknięte]

Zastanawiam się, czy są jakieś pakiety dla Pythona, które są w stanie przeprowadzić analizę przeżycia. Korzystam z pakietu przetrwania w R, ale chciałbym przenieść moją pracę do Pythona.

AFAIK, w Pythonie nie ma żadnych pakietów analizy przeżycia. Jak mbq komentuje powyżej, jedyną dostępną trasą byłaby Rpy .

Nawet jeśli byłby dostępny pakiet czystego pytona, byłbym bardzo ostrożny w korzystaniu z niego, w szczególności patrzyłbym na:

• Jak często jest aktualizowany.
• Czy ma dużą bazę użytkowników?
• Czy ma zaawansowane techniki?

Jedną z zalet R jest to, że te standardowe pakiety otrzymują ogromną ilość testów i informacji zwrotnych od użytkowników. W przypadku rzeczywistych danych mogą się wkraść nieoczekiwane przypadki brzegowe.

Sprawdź projekt lifelines ¹, aby uzyskać prostą i czystą implementację modeli przetrwania w Pythonie, w tym

• Estymatory funkcji przeżycia
• Estymatory skumulowanych krzywych zagrożenia
• Model proporcjonalnej regresji hazardu Coxa
• Model regresji zmiennej Coxa
• parametryczne modele AFT
• Model regresji addytywnej Aalen
• Testy wielowymiarowe

Korzyści:

• zbudowany na Pandach
• czysty Python i łatwy w instalacji
• wbudowane funkcje drukowania
• prosty interfejs

Dokumentacja jest dostępna tutaj: dokumentacja i przykłady

Przykładowe użycie:

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()

Przykładowe wykresy z wbudowanej biblioteki wydruków:

1. Oświadczenie: Jestem głównym autorem. Ping me (e-mail w profilu), aby uzyskać pytania lub opinie na temat linii życia .

python-asurv to próba przeniesienia oprogramowania asurv do metod przetrwania w astronomii. Być może warto mieć na oku, ale cgillespie ma rację, jeśli chodzi o rzeczy, na które należy uważać: ma przed sobą długą drogę, a rozwój nie wydaje się aktywny. (AFAICT istnieje tylko jedna metoda, a nawet ukończona, pakiet może brakować, powiedzmy, biostatystów).

Prawdopodobnie lepiej jest użyć pakietu przetrwania w języku R od Pythona poprzez RPy lub PypeR . Sam nie miałem żadnych problemów.

PyIMSL zawiera garść procedur do analizy przeżycia. Jest bezpłatny jak w piwie do użytku niekomercyjnego, w pełni obsługiwany inaczej. Z dokumentacji w Podręczniku użytkownika statystyki ...

Oblicza szacunki Kaplana-Meiera dotyczące prawdopodobieństwa przeżycia: kaplanMeierEstimates ()

Analizuje dane dotyczące przeżycia i niezawodności za pomocą proporcjonalnego modelu zagrożeń Coxa: propHazardsGenLin ()

Analizuje dane dotyczące przeżycia za pomocą uogólnionego modelu liniowego: survivalGlm ()

Szacunki przy użyciu różnych trybów parametrycznych: survivalEstimates ()

Szacuje funkcję zagrożenia niezawodności przy użyciu podejścia nieparametrycznego: nonparamHazardRate ()

Tworzy tabele życia populacji i kohorty: lifeTables ()

Możesz teraz używać R z IPython , więc możesz rozważyć użycie IPython z rozszerzeniem R.

Chcę również wspomnieć o scikit-survival , który zapewnia modele do analizy przeżycia, które można łatwo łączyć z narzędziami scikit-learn (np. Walidacja krzyżowa KFold).

W tym piśmie scikit-survival obejmuje implementacje

• Estymator Nelsona-Aalena skumulowanej funkcji hazardu.
• Estymator Kaplana-Meiera funkcji przeżycia.
• Model proporcjonalnego hazardu Coxa z elastyczną karą netto i bez niej.
• Model przyspieszonego czasu awarii.
• Maszyna wektorowa wsparcia przetrwania.
• Model Coxa wzmocniony gradientem.
• wskaźnik zgodności do oceny wydajności.

Oprócz użycia Rpoprzez RPylub równoważnego istnieje wiele procedur analizy przeżycia w bibliotece pytsmodels (wcześniej sicpy.statsmodel). Są one jednak w pakiecie „piaskownicy”, co oznacza, że ​​nie powinny być teraz gotowe do produkcji.

Np. Masz tutaj zakodowany model proporcjonalnego hazardu Coxa .