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，并处理删失数据（尤其是右删失）。适用于生存分析、时间到事件建模、删失数据处理、竞争风险分析等任务。
主要能力：提供多类模型，包括 Cox 比例风险模型（CoxPHSurvivalAnalysis、CoxnetSurvivalAnalysis、IPCRidge）、集成方法（RandomSurvivalForest、GradientBoostingSurvivalAnalysis、ExtraSurvivalTrees）、生存支持向量机（FastSurvivalSVM、FastKernelSurvivalSVM、HingeLossSurvivalSVM）以及 SurvivalTree。评估指标包括 Harrell 与 Uno 一致性指数、时间依赖 AUC、Brier 分数与积分 Brier 分数。非参数估计提供 Kaplan-Meier、Nelson-Aalen 与竞争风险累积发生率。数据工具包括 Surv 构造生存结果、OneHotEncoder 编码分类变量及内置数据集。
使用方式：通过 sksurv.util.Surv 创建生存结果，如 Surv.from_arrays(event=event_array, time=time_array) 或 Surv.from_dataframe('event', 'time', df)。建模前建议标准化特征、处理缺失值并编码分类变量。模型可放入 sklearn Pipeline，配合 cross_val_score 或 GridSearchCV 调参，交叉验证时使用 as_concordance_index_ipcw_scorer()。评估时注意：删失率高于 40% 建议使用 Uno 的 C-index（concordance_index_ipcw），并需传入 y_train。
适用场景：医学与临床研究中的生存分析、高维数据特征选择、非线性关系建模、竞争风险分析及多模型性能比较。
限制：资料未提供收费、价格、平台支持范围等信息；使用 SVM 与正则化 Cox 模型时需标准化特征；Cox 模型需检查比例风险假设；随机生存森林应使用排列重要性而非内置重要性；每特征建议至少 10 个事件。官方文档见 https://scikit-survival.readthedocs.io/，代码仓库见 https://github.com/sebp/scikit-survival。