用Python拟合生存模型来自聚合数据

Question

用Python拟合生存模型来自聚合数据

3

我正在尝试在Python中拟合一些基本的生存模型。问题的关键是我有大量的观测值，因此我的数据已经分组--也就是说，每行不是一个单独的主体，而是具有相同属性（即相同的协变量、相同的观测时间、相同的观察结果）的主体数量的计数。似乎包要求每行只有一个观测以适应Cox模型。尝试使用scipy.stats.continuous_rv.fit拟合Weibull曲线时也会遇到同样的问题。

我已经在R中完成了这个问题，因为它们的生存回归包都似乎接受一个权重向量，允许这种类型的数据。当原始数据中只有数万个唯一行时，将我的聚合数据分解成数百万行似乎非常低效。如果您有任何指导意见，将不胜感激。

- John Sears

1

嗨John，欢迎来到CV。请参观帮助部分以了解这里的问题类型。就目前而言，我认为你关于在特定软件中拟合模型的问题更适合在StackOverflow上提问。 - Alexis

2个回答

0

lifelines是Python中的一个生存分析库，现在支持此功能。要使用它，只需向您的主题数据帧添加一个权重列，并在调用fit时指定即可。

from lifelines import CoxPHFitter

cph = CoxPHFitter()
cph.fit(df, duration_col="T", event_col="E", weight_col="weights")

更多的例子可以在这里找到： https://github.com/CamDavidsonPilon/lifelines/blob/8b1249ad96833c764a8ebf78d199a104ab7cb5f5/tests/test_estimation.py#L890-L899

- Cam.Davidson.Pilon

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- John Sears · Accepted Answer

我最终使用Python中的rpy2包来调用R。

importr('survival')
pandas2ri.activate()
coxph_ = r('coxph')
model = coxph_(Formula("Surv(time, outcome) ~ f1 + f2"), data=df, weights=df.num_in_group)

base = importr('base')
print(base.summary(model))

暂时还不错，虽然并不是很好。我惊讶于rpy2的表现如此之好，它具有非常好的pandas <-> data.frame互通性。帮助文档也相当不错（rpy2.readthedocs.io）。