用途：scikit-survival 是构建在 scikit-learn 之上的 Python 生存分析库，用于建立协变量与事件发生时间之间的关系，重点处理右删失数据（观察期内未发生事件的记录）。它面向预测建模；左删失或区间删失数据需借助其他工具。
主要能力：提供 Cox 比例风险模型（CoxPHSurvivalAnalysis、弹性网惩罚的 CoxnetSurvivalAnalysis、IPCRidge）、集成方法（RandomSurvivalForest、GradientBoostingSurvivalAnalysis、ComponentwiseGradientBoostingSurvivalAnalysis、ExtraSurvivalTrees）、生存支持向量机（FastSurvivalSVM、FastKernelSurvivalSVM、HingeLossSurvivalSVM、ClinicalKernelTransform），以及非参数估计（Kaplan-Meier、Nelson-Aalen）和竞争风险累积发生率。评估方面提供一致性指数（Harrell 与 Uno）、时间依赖 AUC 和积分 Brier 分数。
使用方式：用 sksurv.util.Surv 将事件与时间数组或 DataFrame 构造成生存结果；分类变量可用 sksurv.preprocessing.encode_categorical 做独热编码；内置数据集（如 load_breast_cancer、load_gbsg2）的事件与时间字段名各不相同，需先统一。模型与 scikit-learn 兼容，可放入 Pipeline、GridSearchCV、cross_val_score。评估需传入 y_train 计算 IPCW；as_concordance_index_ipcw_scorer 等包装器是包裹估计器并覆盖 .score()，应作为估计器传入并把参数前缀写为 estimator__，不存在 scoring='concordance_index_ipcw' 字符串。CoxnetSurvivalAnalysis 拟合整条正则化路径，coef_ 形状为 (n_features, n_alphas)。
适用场景：右删失的生存/时间到事件分析、高维特征筛选、非线性关系的集成建模、模型比较与评估、竞争风险分析。切勿在无删失的固定随访二分类中使用（应改用逻辑回归类工具），普通回归分类应改用 scikit-learn。
限制：Cox 模型返回系数但不含标准误、置信区间和 p 值，需推断性报告时应用 lifelines 的 CoxPHFitter 或 statsmodels 的 PHReg。SVM 与正则化 Cox 需标准化特征；删失率高于 40% 时宜用 Uno 的 C-index；竞争事件不应简单视为删失。版本方面，0.28 需 scikit-learn ≥ 1.9，移除 GradientBoostingSurvivalAnalysis 的 criterion 参数；CoxnetSurvivalAnalysis 要求 0 < l1_ratio ≤ 1，纯岭惩罚用 CoxPHSurvivalAnalysis(alpha=...)。安装命令、定价与使用步骤资料暂未提供。