下面是基于Python实现Cox比例风险回归模型的代码示例。假设我们仍然使用之前的数据结构：**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` 库中的 `CoxPHFitter` 类来构建Cox比例风险模型。 ### Python代码 ```python # 导入必要的库 import pandas as pd from lifelines import CoxPHFitter # 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) # 初始化Cox比例风险模型 cph = CoxPHFitter() # 拟合模型，指定生存时间和结果变量 cph.fit(df, duration_col='time_in_years', event_col='event') # 输出模型摘要信息 print(cph.print_summary()) # 获取特定变量的风险比(Hazard Ratio) hazard_ratio = cph.hazard_ratios_ print("\nHazard Ratios:") print(hazard_ratio) # 查看每个特征的影响系数 coefficients = cph.params_ print("\nCoefficients of the model:") print(coefficients) # 进行预测（例如计算某条记录的预期生存概率） example_data = df.iloc[[0]] # 示例数据点 survival_predictions = cph.predict_survival_function(example_data).iloc[:, 0] print("\nSurvival Probability Over Time for Example Data Point:") print(survival_predictions) ``` --- ### 解释步骤： 1. 数据准备：创建了包含生存时间 (`time_in_years`)、状态标志 (`event`) 和协变量 (`pocket_depth`) 的 DataFrame。 2. 使用 `CoxPHFitter()` 构建Cox比例风险模型。 3. 调用 `.fit()` 方法拟合模型，输入存活时间和事件列作为目标变量。 4. 打印模型总结，查看各个协变量对于风险的比例影响及其统计显著性。 5. 提供了一个简单的例子展示如何利用训练好的模型进行单个样本的生存率预测。 同样地，在真实研究情境下可能还需要处理诸如缺失值填充、类别型变量编码等问题；此外也应对假定条件如成比例危险函数的有效性予以验证。