使用 Weibull 模型进行可视化与预测

Python 中的生存分析

Shae Wang

Senior Data Scientist

.plot()

返回系数及其 95% 置信区间范围的图。

aft.plot()
plt.show()

示例图：

sample_covariate_plot

Python 中的生存分析

.plot_partial_effects_on_outcome()

返回基线生存曲线与在不同协变量取值下的对比图。

aft.plot_partial_effects_on_outcome(covariates, values)
plt.show()

sample_partial_effects_plot

Python 中的生存分析

如何绘制部分效应？

.plot_partial_effects_on_outcome()

  • covariates（字符串或列表）：要变化的原始数据集中的协变量。

  • values（一维或二维可迭代对象）：协变量要取的值。

  • 基线生存曲线：在原始数据集中所有变量取平均值时的预测生存曲线。

aft.plot_partial_effects_on_outcome(
  covariates='var', 
  values=[0, 3, 6, 9, 12, 15]
)
plt.show()

Weibull 模型的部分效应图

Python 中的生存分析

如何绘制部分效应？

  • 硬编码取值：
    aft.plot_partial_effects_on_outcome(
  covariates='a', 
  values=[0, 3, 6]
)
  • 使用范围函数：
    aft.plot_partial_effects_on_outcome(
  covariates='a', 
  values=np.arange(10)
)
  • 多个协变量：
    aft.plot_partial_effects_on_outcome(
  covariates=['a','b'], 
  values=[[1,2],[1,3],[2,3]]
)
  • 自定义公式：
    • 必要的变换（交互项、独热编码等）将自动在内部完成。
Python 中的生存分析

按揭示例

数据框示例：mortgage_df

id house principal interest property_tax credit score duration paid_off
1 1 1275 0.035 0.019 780 25 0
2 0 756 0.028 0.020 695 17 1
3 0 968 0.029 0.017 810 5 0
... ... ... ... ... ... ... ...
1000 1 1505 0.041 0.023 750 30 1
Python 中的生存分析

按揭示例

aft.plot_partial_effects_on_outcome(
    covariates='credit score',
    values=np.arange(700, 860, 30)
)
plt.show()

mortgage_df 的部分效应图

Python 中的生存分析

预测生存函数

  • 生存曲线随协变量取值而变。 预测流程图
Python 中的生存分析

预测生存函数

基于协变量值预测个体的生存函数。

.predict_survival_function()

参数：

  • X（np 数组或 DataFrame）：协变量。若为 DataFrame，列顺序可任意。

基于协变量值预测个体的生存中位时长。

.predict_median()

参数：

  • df（np 数组或 DataFrame）：协变量。若为 DataFrame，列顺序可任意。
Python 中的生存分析

条件于当前时长

在当前时长之后的条件下，预测生存函数或生存中位时长。

  • .predict_survival_function(X, conditional_after)
  • .predict_median(df, conditional_after)

示例：

aft.predict_median(new_subject)

4.0

aft.predict_median(new_subject, conditional_after=[2])

2.0
Python 中的生存分析

Vamos praticar!

Python 中的生存分析

Preparing Video For Download...