以下是生成Kaplan-Meier生存曲线并进行Log-Rank检验的Python代码示例。假设我们有一个数据集，其中包含三个关键变量：**结局事件（event, 0或1）**、**随访时间（time_in_years）** 和 **牙周袋深度（pocket_depth, 分类为1, 2, 3）。** 我们将使用 `lifelines` 库来完成这一任务。 ### Python代码 ```python # 导入必要的库 import pandas as pd from lifelines import KaplanMeierFitter from lifelines.statistics import logrank_test # 假设这是你的数据 data = { 'event': [1, 0, 1, 1, 0, 1, 1, 0, 1], # 结局事件 (1=发生, 0=未发生) 'time_in_years': [5, 6, 4, 7, 8, 3, 4, 9, 2], # 随访时间 (单位: 年) 'pocket_depth': [1, 2, 3, 1, 2, 3, 1, 2, 3] # 牙周袋深度分类 } df = pd.DataFrame(data) # 创建KaplanMeierFitter对象 kmf = KaplanMeierFitter() # 按照牙周袋深度分组绘制生存曲线 groups = df['pocket_depth'] ix1 = (groups == 1) # 第一组 ix2 = (groups == 2) # 第二组 ix3 = (groups == 3) # 第三组 T = df['time_in_years'] # 生存时间 E = df['event'] # 结果状态 # 对每个组拟合KM模型 kmf.fit(T[ix1], E[ix1], label="Pocket Depth 1") ax = kmf.plot_survival_function(ci_show=False) kmf.fit(T[ix2], E[ix2], label="Pocket Depth 2") ax = kmf.plot_survival_function(ax=ax, ci_show=False) kmf.fit(T[ix3], E[ix3], label="Pocket Depth 3") ax = kmf.plot_survival_function(ax=ax, ci_show=False) # Log-Rank检验比较各组之间的差异显著性 lr_result_1_vs_2 = logrank_test(T[ix1], T[ix2], event_observed_A=E[ix1], event_observed_B=E[ix2]) lr_result_1_vs_3 = logrank_test(T[ix1], T[ix3], event_observed_A=E[ix1], event_observed_B=E[ix3]) print("Log-Rank Test Results:") print(f"Comparison between Pocket Depth 1 and 2 - p-value: {lr_result_1_vs_2.p_value}") print(f"Comparison between Pocket Depth 1 and 3 - p-value: {lr_result_1_vs_3.p_value}") # 如果需要对所有组一起测试可以这样做： group_labels = ['Group1', 'Group2', 'Group3'] results = [] for i in range(len(group_labels)): for j in range(i + 1, len(group_labels)): lr_test = logrank_test( T[groups == i+1], T[groups == j+1], event_observed_A=E[groups == i+1], event_observed_B=E[groups == j+1] ) results.append((i+1, j+1, lr_test.p_value)) print("\nAll pairwise comparisons:") for res in results: print(f"Groups {res[0]} vs {res[1]}, P-value: {res[2]:.4f}") ``` --- ### 解释步骤： 1. 数据准备：创建了一个简单的DataFrame用于演示目的。 2. 使用 `KaplanMeierFitter()` 来拟合并可视化每组的生存函数。 3. 利用 `logrank_test()` 进行两两对比分析，并输出P值以判断是否具有统计学意义。 注意：你需要安装 `lifelines` 包才能运行此代码，可以通过以下命令安装它： ```bash pip install lifelines ``` 如果实际应用中涉及更多复杂的场景，比如校正混杂因素等，则需引入Cox比例风险回归或其他高级方法。