用途：scikit-survival 是构建在 scikit-learn 之上的 Python 生存分析库，用于研究协变量与事件发生时间的关系，并处理删失数据（如右删失）。适用任务包括生存/时间到事件建模、删失数据处理、竞争风险分析、生存曲线估计与模型评估。
主要能力：提供 Cox 比例风险模型（CoxPHSurvivalAnalysis、弹性网正则化的 CoxnetSurvivalAnalysis、IPCRidge）、集成方法（RandomSurvivalForest、GradientBoostingSurvivalAnalysis、ComponentwiseGradientBoostingSurvivalAnalysis、ExtraSurvivalTrees）、生存支持向量机（FastSurvivalSVM、FastKernelSurvivalSVM、HingeLossSurvivalSVM、ClinicalKernelTransform）。评估指标含 Harrell 与 Uno 一致性指数、时间依赖 AUC、Brier 分数；非参数估计含 Kaplan-Meier、Nelson-Aalen、竞争风险累积发生率。数据工具含 Surv、OneHotEncoder、encode_categorical 及内置数据集。
使用方式：用 Surv.from_arrays 或 Surv.from_dataframe 构造结果变量；SVM 与正则化 Cox 需标准化特征；可用 sklearn 的 Pipeline、cross_val_score、GridSearchCV 配合 as_concordance_index_ipcw_scorer() 做交叉验证调参；用 concordance_index_ipcw(y_train, y_test, risk_scores) 评估，注意需传入训练集 y_train。
适用场景：临床与生物医学等时间到事件研究、高维特征选择、需要预测性能的非线性建模，以及多种模型对比。
限制：资料未提供安装命令、平台与收费信息；高删失（>40%）建议用 Uno 的 C-index；竞争事件不应简单当作删失；RSF 内置特征重要性不可靠，宜用排列重要性；Cox 模型需检查比例风险假设。