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（如右删失、左删失、区间删失）。
主要能力：提供 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）以及生存树。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 编码与内置数据集加载。
使用方式：通过 sksurv.util.Surv 构造生存标签，用 sklearn 的 train_test_split、Pipeline、GridSearchCV 与 cross_val_score 配合 as_concordance_index_ipcw_scorer 等评分器完成训练、调参与评估。SVM 与正则化 Cox 模型需先标准化特征。
适用场景：医学与流行病学中的生存分析、高维特征筛选、竞争风险建模、模型性能比较。
限制：资料未提供安装命令、版本要求、收费与平台信息；使用 Harrell C-index 在高删失下不稳健，应改用 Uno C-index；竞争事件不应简单视为删失；RSF 内置特征重要性不可靠，建议使用置换重要性。