用途：scikit-survival 是面向 Python 的生存分析（time-to-event）库，基于 scikit-learn 构建，用于建立协变量与事件发生时间之间的关系，并处理删失数据（尤其是观察期内未发生事件的右删失记录）。适用于需要生存分析、删失数据处理、生存模型评估或竞争风险分析的场景。
主要能力：提供多类模型，包括 Cox 比例风险模型（CoxPHSurvivalAnalysis、带弹性网惩罚的 CoxnetSurvivalAnalysis、IPCRidge）、集成方法（RandomSurvivalForest、GradientBoostingSurvivalAnalysis、ComponentwiseGradientBoostingSurvivalAnalysis、ExtraSurvivalTrees）、生存支持向量机（FastSurvivalSVM、FastKernelSurvivalSVM、HingeLossSurvivalSVM、ClinicalKernelTransform），以及 SurvivalTree。评价指标包括 Harrell 与 Uno 一致性指数（concordance_index_censored、concordance_index_ipcw）、时间依赖 AUC（cumulative_dynamic_auc）、Brier 分数与积分 Brier 分数（brier_score、integrated_brier_score），并提供交叉验证用评分器。非参数估计支持 Kaplan-Meier、Nelson-Aalen 与竞争风险累积发生率（cumulative_incidence_competing_risks）。数据准备通过 sksurv.util.Surv 构造生存结局，sksurv.preprocessing 提供 OneHotEncoder、encode_categorical，sksurv.datasets 内置 GBSG2、WHAS500、乳腺癌、退伍军人肺癌等数据集。
使用方式：与 scikit-learn 生态集成，可用 Pipeline、cross_val_score、GridSearchCV。典型流程为：加载数据并用 Surv.from_arrays 或 Surv.from_dataframe 构造结局；对 SVM 和正则化 Cox 模型标准化特征；拟合模型并预测风险分数；用 concordance_index_ipcw 等指标评估。例如：from sksurv.util import Surv；y = Surv.from_arrays(event=event_array, time=time_array)。交叉验证可配合 as_concordance_index_ipcw_scorer()。
适用场景：临床与生物医学时间到事件建模、高维特征选择、非线性关系预测、竞争风险分析，以及需要多种指标比较模型性能的研究。
限制与注意：删失率高于 40% 时建议使用 Uno 的 C-index 而非 Harrell 的；SVM 与正则化 Cox 需标准化特征；concordance_index_ipcw 需传入 y_train；竞争事件不应简单当作删失处理；随机生存森林建议使用置换重要性；需检查比例风险假设。资料未提供该技能的收费、价格或安装命令信息。