用途：scikit-survival 是建立在 scikit-learn 之上的 Python 库，用于生存分析与时间到事件建模，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之间的联系。
主要能力：提供 Cox 比例风险模型（CoxPHSurvivalAnalysis、CoxnetSurvivalAnalysis 弹性网、IPCRidge）、集成方法（RandomSurvivalForest、GradientBoostingSurvivalAnalysis、ComponentwiseGradientBoostingSurvivalAnalysis、ExtraSurvivalTrees）、生存支持向量机（FastSurvivalSVM、FastKernelSurvivalSVM、HingeLossSurvivalSVM）以及 ClinicalKernelTransform 核。评估指标包括 Harrell 与 Uno 一致性指数、时间依赖 AUC、Brier 分数及 integrated_brier_score。非参数估计提供 Kaplan-Meier、Nelson-Aalen 与竞争风险累积发生率。数据处理通过 sksurv.util.Surv 构建生存结果，支持 OneHotEncoder 等预处理，并可直接使用 Pipeline、cross_val_score 与 GridSearchCV。
使用方式：用 Surv.from_arrays(event=event_array, time=time_array) 或 Surv.from_dataframe('event', 'time', df) 创建生存结果；建模前对 SVM 和正则化 Cox 标准化特征；用 concordance_index_ipcw(y_train, y_test, risk_scores) 评估；交叉验证使用 as_concordance_index_ipcw_scorer()。内置数据集可用 load_breast_cancer、load_gbsg2、load_veterans_lung_cancer 等。
限制与注意：Cox 模型需检查比例风险假设；高删失（>40%）应使用 Uno C-index 而非 Harrell；竞争事件不应简单当作删失处理；每特征事件数建议 10 以上；RandomSurvivalForest 应使用置换重要性而非内置重要性。官方文档见 https://scikit-survival.readthedocs.io/ ，代码库见 https://github.com/sebp/scikit-survival 。资料未提供收费、价格或平台支持信息。