企业官网建设流程全解析

lifelines 生存数据生成指南：3 步构建你的模拟数据集

【免费下载链接】lifelinesSurvival analysis in Python项目地址: https://gitcode.com/gh_mirrors/li/lifelines

真实生存数据获取贵、采集慢，还受隐私限制。lifelines 数据生成模块 generate_datasets 让你几分钟造出带协变量、带截尾的合成生存数据。按这篇指南，你 30 秒跑通最小示例，再用三步流水线定制自己的模拟生存数据集。

快速上手：一个能跑的最小示例

先说结论：指数分布是最简单的起点，没有协变量，跑起来也最快。

import numpy as np from lifelines.generate_datasets import exponential_survival_data np.random.seed(123) # 固定种子，让结果可复现 times, events = exponential_survival_data( n=1000, # 样本量 cr=0.2, # 截尾（Censoring）比例：约两成样本只被"看到一半" scale=5.0 # 指数分布尺度参数，越大存活越久 ) print(times[:5], events[:5]) # 看一眼前 5 个样本

times 是观测时间，被截尾的样本会停在截尾时刻；events 是布尔标记，True 表示事件发生，False 表示截尾。把这两列交给 KaplanMeierFitter，就能直接画出生存曲线。

三步流水线：数据生成背后的逻辑

跑通之后你可能会问：带协变量的数据是怎么造出来的？整条链路是「协变量 → 风险率 → 生存时间」三步。

第一步，协变量。generate_covariates(n, d, n_binary, p)生成 (n, d+1) 矩阵：连续列服从指数分布，二值列是 0/1，最后一列全为 1，留给截距项。

第二步，风险率。generate_hazard_rates把协变量和系数相乘，得到每个个体在每个时刻的风险率。这里给两个直觉：生存函数 S(t) 回答"活过 t 时刻的概率"，它随时间单调下降；风险函数 h(t) 回答"此刻事件发生的瞬时速率"。两者的关系是 S(t) = exp(−∫h(u)du)，累积风险越大，存活概率越低。

第三步，生存时间。generate_random_lifetimes对累积风险做反演，抽出每个人的事件时间。这里有个容易忽略的点：真实随访里总有人到期末还没发生事件。给模拟叠加截尾（Censoring）就是在模拟这件事——超过截尾时刻的样本只记录到该时刻，事件标记改为 False。

核心函数速查

六个函数覆盖从简单到定制的全部需求，先记住名字和分工：

最常用的就是中间三步，串起来就是完整调用链：

import numpy as np from lifelines.generate_datasets import generate_hazard_rates, generate_random_lifetimes timelines = np.linspace(0, 100, 1000) # 观测时间轴：0 到 100 共 1000 个点 hazard_rates, coefs, covariates = generate_hazard_rates( n=1000, d=5, timelines=timelines, model="cox" # 比例风险模型（Cox PH） ) times, observed = generate_random_lifetimes( hazard_rates, timelines, censor=True # 叠加均匀截尾 ) print(times.shape, observed.mean()) # 数据形状与事件发生率

model="cox"表示比例风险模型（Cox PH），风险比不随时间变；换成"aalen"则是加法风险模型，系数可以随时间漂移。

进阶：让模拟数据更贴近真实场景

真实场景里，协变量的分布和组间差异才是数据"像不像"的关键。

模拟 SaaS 客户流失数据

import numpy as np from lifelines.generate_datasets import generate_covariates np.random.seed(42) # 固定种子，保证每次结果一致 # 2 个二值列模拟套餐等级、是否企业客户 x = generate_covariates(n=1000, d=6, n_binary=2, p=0.3)

连续列由指数分布生成，可当作使用频率、接口调用量这类特征；n_binary=2把两列换成 0/1，p=0.3控制"高级套餐"这类少数派占比。后面接generate_random_lifetimes时，把censor设成一个具体时刻，让约两成客户在观测期末仍在用，模拟"还没流失"。

模拟医疗随访数据

import numpy as np age = np.random.normal(55, 12, size=1000).clip(30) # 年龄：均值55、标准差12，截到30以上 treat = np.random.binomial(1, 0.5, size=1000) # 治疗组/对照组各占一半 hz = np.exp(0.04 * (age - 55) / 12) * np.where(treat, 0.6, 1.0)

年龄取正态(55, 12) 再 clip 到 30 以上，贴合成人随访队列的常识。np.where给治疗组风险打六折，相当于风险比（HR）约 0.6，模拟"治疗有效"，对照组保持 1.0。

参数怎么选：避免踩坑

这 5 个参数最容易在第一次模拟时翻车：

还有一个隐藏坑：cr只作用于exponential_survival_data，其他函数要传censor参数来控制截尾。

总结与下一步

你手里现在有一条完整的 Python 生存分析数据生成链路：协变量 → 风险率 → 生存时间，外加两个分布类的快捷函数。调好n、d、cr这几个旋钮，就能造出覆盖流失、随访等场景的自定义生存数据集。想看内部怎么抽样，直接翻源码比读文档更快。

git clone https://gitcode.com/gh_mirrors/li/lifelines

源码入口：lifelines.generate_datasets 模块

跑通第一个模拟数据集之后，你会发现自己离能用的生存模型只差一张图。

【免费下载链接】lifelinesSurvival analysis in Python项目地址: https://gitcode.com/gh_mirrors/li/lifelines