Python中基于lifelines的CoxPH模型样条回归实现咨询

嘿，你说的这个需求其实在Python里完全能实现，而且你正在用的lifelines库本身就支持，不用找别的工具啦！我给你整理几个可行的方案：

lifelines本身没有直接封装“一键样条CoxPH”的方法，但可以通过生成样条特征再喂给CoxPHFitter来实现，这也是最贴合你现有工作流的方式：

1. 先导入依赖库：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from lifelines import CoxPHFitter
from patsy import bs  # patsy是lifelines常用的特征转换工具，一般会随lifelines安装

2. 处理你的连续变量，生成样条特征：
   假设你的数据集df里有生存时间time、事件状态event，以及需要做样条回归的连续变量age（举个例子），我们用三次样条（自由度设为3）来转换：

# 生成样条特征，df=3表示三次样条，你可以根据数据调整自由度
df['age_spline'] = bs(df['age'], df=3)

3. 拟合CoxPH模型并可视化效果：

# 拟合模型
cph = CoxPHFitter().fit(df, duration_col='time', event_col='event')

# 生成连续的变量值用于绘图
age_range = np.linspace(df['age'].min(), df['age'].max(), 100)
new_data = pd.DataFrame({'age': age_range})
new_data['age_spline'] = bs(new_data['age'], df=3)

# 预测风险比（HR）并绘图
hazard_ratios = cph.predict_hazard_ratios(new_data)
plt.plot(age_range, hazard_ratios)
plt.xlabel('Age')
plt.ylabel('Hazard Ratio (vs reference)')
plt.title('Spline Regression Effect on Hazard Ratio')
plt.show()

这样就能得到和你示例图类似的、展示连续变量非线性效应的曲线了。

如果你愿意尝试另一个库，statsmodels的CoxPH实现支持直接在公式里嵌入样条转换，写法更简洁：

import statsmodels.api as sm
from statsmodels.formula.api import coxph
from patsy import bs

# 直接在公式中定义样条项
model = coxph("Surv(time, event) ~ bs(age, df=3)", data=df)
result = model.fit()

# 同样可以提取结果并绘图，逻辑和lifelines类似

样条的自由度（df参数）决定了曲线的平滑程度：自由度越高，曲线越灵活，但也更容易过拟合。一般建议从3-5开始尝试，根据数据分布和模型拟合效果调整。

内容的提问来源于stack exchange，提问作者Tran Tran