data-handling

# 数据处理与预处理 ## 理解生存数据 ### Surv 对象 scikit-survival 中的生存数据使用具有两个字段的结构化数组表示： - **event**: 布尔值，指示事件是否发生 (True) 或被删失 (False) - **time**: 事件发生时间或删失时间 python from sksurv.util import Surv # 从单独的数组创建生存结果 event = np.array([True, False, True, False, True]) time = np.array([5.2, 10.1, 3.7, 8.9, 6.3]) y = Surv.from_arrays(event=event, time=time) print(y.dtype) # [('event', '?'), ('time', '<f8')] ### 删失类型 **右删失**（最常见）： - 研究结束时受试者未经历事件 - 受试者失访 - 受试者退出研究 **左删失**： - 事件在观察开始前发生 - 实践中罕见 **区间删失**： - 事件发生在已知的某个时间区间内 - 需要专门的方法 scikit-survival 主要处理右删失数据。 ## 加载数据 ### 内置数据集 python from sksurv.datasets import ( load_aids, load_breast_cancer, load_gbsg2, load_veterans_lung_cancer, load_whas500 ) # 加载数据集 X, y = load_breast_cancer() # X 是带有特征的 pandas DataFrame # y 是带有 'event' 和 'time' 的结构化数组 ### 加载自定义数据 #### 从 Pandas DataFrame 加载 python import pandas as pd from sksurv.util import Surv # 加载数据 df = pd.read_csv('survival_data.csv') # 分离特征和结果 X = df.drop(['time', 'event'], axis=1) y = Surv.from_dataframe('event', 'time', df) #### 从 CSV 使用 Surv.from_arrays 加载 python import numpy as np import pandas as pd from sksurv.util import Surv # 加载数据 df = pd.read_csv('survival_data.csv') # 创建特征矩阵 X = df.drop(['time', 'event'], axis=1) # 创建生存结果 y = Surv.from_arrays( event=df['event'].astype(bool), time=df['time'].astype(float) ) ### 加载 ARFF 文件 python from sksurv.io import loadarff # 加载 ARFF 格式 (Weka 格式) data = loadarff('survival_data.arff') # 提取 X 和 y X = data[0] # pandas DataFrame y = data[1] # 结构化数组 ## 数据预处理 ### 处理分类变量 #### 方法 1: OneHotEncoder (scikit-survival) python from sksurv.preprocessing import OneHotEncoder import pandas as