用途
lifelines 用于生存分析，即研究“事件发生时间”这类数据，例如死亡、康复、复发等。在医学与流行病学研究中，常需要分析临床试验中的时间到死亡或疾病进展、比较不同治疗组的生存情况、识别风险因素、构建预后模型，以及研究感染或康复的时间。该库专门处理这类时间到事件数据的复杂性，尤其是删失问题。
主要能力
- 处理右删失（right-censored）数据：研究结束时尚未发生事件的个体被标记为“删失”，库会正确计入而不将其简单视为存活。
- Kaplan-Meier 曲线：无需假设分布即可估计随时间变化的生存概率，并可通过 median_survival_time_ 获取 50% 个体发生事件的时间。
- Cox 比例风险回归：用于识别风险因素，输出风险比（Hazard Ratio），风险比大于 1 表示风险增加，小于 1 表示风险降低，并可绘制协变量（如年龄）对结局的偏效应。
- 参数化模型：提供 WeibullFitter、ExponentialFitter 等，用于需要外推超出观察数据范围的场景。
- 组间比较：通过 logrank_test 及 multivariate_logrank_test 对生存曲线差异进行统计检验，比较多组（多治疗组）的生存情况。
使用方式
标准导入方式为：
from lifelines import KaplanMeierFitter, CoxPHFitter
from lifelines.statistics import logrank_test
import pandas as pd
基本模式包括：
Kaplan-Meier（可视化生存）：
kmf = KaplanMeierFitter()
kmf.fit(durations=df['days'], event_observed=df['died'])
kmf.plot_survival_function()
kmf.median_survival_time_ # Time when 50% have died
Cox 比例风险（风险因素）：
cph = CoxPHFitter()
cph.fit(df, duration_col='days', event_col='died')
cph.print_summary() # See hazard ratios for age, drug type, etc.
cph.plot_partial_effects_on_outcome(covariates=['age'], values=[30, 50, 70])
多组比较：
from lifelines.statistics import multivariate_logrank_test
results = multivariate_logrank_test(df['days'], df['group'], df['died'])
print(results.p_value)
参数化模型：
from lifelines import WeibullFitter, ExponentialFitter
wf = WeibullFitter()
wf.fit(df['days'], df['died'])
wf.plot()
适用场景
- 临床试验数据分析（时间到死亡、疾病进展）。
- 比较治疗组之间的生存差异。
- 使用 Cox 比例风险回归识别风险因素。
- 构建用于预后的生存模型。
- 流行病学研究（时间到感染、康复）。
关键规则与限制
应当：正确使用 event_observed（1 表示事件发生，0 表示删失）；用 cph.check_assumptions() 检验比例风险假设以验证 Cox 模型；用 logrank 检验比较组间生存曲线差异；绘制置信区间，因为生存估计存在不确定性，小样本时尤为明显。
不应：忽略删失，把删失个体当作“存活”会使结果产生偏差；使用普通回归，时间到事件数据需要专门方法；假定比例风险一定成立，若假设被违反，应改用分层 Cox 或参数化模型。
关于收费、价格、平台支持范围、具体安装命令及版本信息，资料中暂未提供。