scikit-survival 是基于 scikit-learn 的 Python 生存分析库，用于时间-事件建模并处理删失数据（含右删失、左删失与区间删失）。适用任务包括：拟合 Cox 比例风险模型（标准或惩罚）、构建随机生存森林与梯度提升等集成模型、训练生存支持向量机、估计 Kaplan-Meier 与 Nelson-Aalen 曲线、分析竞争风险、预处理生存数据与缺失值处理。
主要能力：线性模型 CoxPHSurvivalAnalysis、CoxnetSurvivalAnalysis、IPCRidge；集成方法 RandomSurvivalForest、GradientBoostingSurvivalAnalysis、ComponentwiseGradientBoostingSurvivalAnalysis、ExtraSurvivalTrees；SVM 有 FastSurvivalSVM、FastKernelSurvivalSVM、HingeLossSurvivalSVM、ClinicalKernelTransform；评估指标含 concordance_index_censored（Harrell）、concordance_index_ipcw（Uno）、cumulative_dynamic_auc、brier_score、integrated_brier_score 及对应 scorer；非参数估计用 kaplan_meier_estimator、nelson_aalen_estimator、cumulative_incidence_competing_risks。数据准备可用 sksurv.util.Surv 构造结果，OneHotEncoder 编码类别变量，并可与 sklearn 的 Pipeline、GridSearchCV、cross_val_score 配合。
使用方式：先构造 y = Surv.from_arrays(event=..., time=...) 或 Surv.from_dataframe('event','time',df)，再按需标准化特征、划分训练测试集，拟合模型后用模型 predict 得到风险分数并评估。示例导入：from sksurv.linear_model import CoxPHSurvivalAnalysis；from sksurv.ensemble import RandomSurvivalForest；from sksurv.metrics import concordance_index_ipcw。
限制与注意：高删失率（>40%）建议用 Uno 的 C-index；SVM 与正则化 Cox 需标准化特征；concordance_index_ipcw 需传入 y_train；竞争事件不应直接当删失处理；每特征建议有 10 个以上事件；随机生存森林应使用置换重要性而非内置重要性；需检查比例风险假设。具体收费、价格与平台信息暂未提供。