用途：Lifelines 是 Python 的完整生存分析库，面向“事件发生时间”（如死亡、康复、复发）分析，能正确处理研究中失访或未发生事件的删失数据，适用于临床试验、流行病学与预后建模。
主要能力：
- Kaplan-Meier 估计：不假设分布地估计随时间变化的生存概率，可获取中位生存时间（kmf.median_survival_time_）。
- Cox 比例风险回归：识别风险因素并输出风险比（hazard ratio >1 表示风险增加，<1 表示降低），支持 print_summary 与部分效应绘图。
- 组间比较：logrank 检验用于比较两条生存曲线，multivariate_logrank_test 用于多组比较。
- 参数模型：WeibullFitter、ExponentialFitter，可在需要外推观察范围之外时使用。
使用方式（资料中给出的基础模式）： from lifelines import KaplanMeierFitter, CoxPHFitter from lifelines.statistics import logrank_test import pandas as pd KM 拟合：kmf = KaplanMeierFitter(); kmf.fit(durations=df['days'], event_observed=df['died']); kmf.plot_survival_function() Cox 拟合：cph = CoxPHFitter(); cph.fit(df, duration_col='days', event_col='died'); cph.print_summary()
关键规则：event_observed 必须正确，1 表示事件发生，0 表示删失；用 cph.check_assumptions() 检验比例风险假设；用 logrank 检验比较组间差异；绘制置信区间，尤其小样本时。限制与注意事项：不要忽略删失数据，否则结果有偏；时间到事件数据不能用普通回归代替；若比例风险假设不成立，应改用分层 Cox 或参数模型。该库的具体版本、安装命令、收费与平台信息暂未提供。