用途：scikit-survival 是构建在 scikit-learn 之上的 Python 生存分析库，用于时间到事件建模，处理右删失、左删失和区间删失数据，建立协变量与事件发生时间的关系。
主要能力：提供 Cox 比例风险模型（CoxPHSurvivalAnalysis、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）。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。非参数估计含 Kaplan-Meier、Nelson-Aalen 与竞争风险累积发生率。
使用方式：用 sksurv.util.Surv 构造生存结果，如 Surv.from_arrays(event=..., time=...) 或 Surv.from_dataframe('event','time',df)。模型遵循 scikit-learn 的 fit/predict 接口，可结合 Pipeline、cross_val_score、GridSearchCV 使用，交叉验证需用 as_concordance_index_ipcw_scorer() 等专用评分器。
适用场景：医学与临床随访研究、高维特征筛选、竞争风险分析、模型性能比较。
限制与注意：SVM 与正则化 Cox 需标准化特征；删失率高于 40% 建议用 Uno 的 C-index；concordance_index_ipcw 需传入 y_train；竞争事件不应简单当作删失处理；RSF 建议用置换重要性；需检查比例风险假设。官方文档见 https://scikit-survival.readthedocs.io/ ，仓库见 https://github.com/sebp/scikit-survival 。