python机器学习生物信息学，博主录制，2k超清
http://dwz.date/b9vw
上一篇文章写了数据分析系列：归因分析原理、案例和python代码。但是现实中用户所归属的渠道可能很多，比如用户在网上商城的首页点击了一个产品，又在其他公众号的相关推荐点击了此产品，在所有转化用户中，每个渠道的贡献率是多大？这就是归因分析中的多渠道归因。
对于多渠道归因，有一些启发式的归因方法，比如“最终点击”（将订单归属于最后一个渠道）、“非最终点击”（归属于倒数第二个渠道）、“首次点击”（第一次点击）、“线性衰减”（时间越远权重越小）、“线性平均”（各经历渠道权重相同）、“根据位置”（自己定义每个位置权重），可参考Google Analysis
上面的启发式归因，需要人为定义渠道归属或每个位置的权重，在大多数情况，当合理根据业务定义归属时，得出的结果是合理的，也是使用最多的方法。但是却避免不了存在主观性的缺点。**还有一个是根据算法归因的方式，包括使用逻辑回归、生存分析中的cox回归，马尔科夫链等。
其中逻辑回归和生存分析的多渠道归因大致方法是，求出回归中对应每个渠道前的系数βiβ_iβi，再根据βiβ_iβi求出对应的odd ratios：exp(βi)exp(β_i)exp(βi)（cox回归可以直接求出RR），再根据前一篇数据分析系列：归因分析原理、案例和python代码相关的公式求出每个渠道的PAF。
马尔科夫链的大致计算方式是：计算每个渠道之间以及最初/终状态（start、转化、未转化）之间的状态转移概率矩阵，再每次去掉其中一个渠道，计算其移除效应，再对每个渠道的移除效应进行标准化，最终的得到就是这个渠道的贡献大小。
逻辑回归不用多说了，到处都在用。网上的生存分析大多是使用R或者SPSS。本文主要使用python进行生存分析。
生存分析的理论很多，本文不涉及，推荐写的很好的生存分析系列文章生存分析简介。写的非常清晰，本人也是在长时间不使用后，看着这个系列的文章才慢慢回想起来。
在python中，生存分析的包是lifelines，可以利用lifelines进行累计生存曲线的绘制、Log Rank test、Cox回归等。
一、绘制S(t)
先使用自带的数据集
from lifelines.datasets import load_waltons from lifelines import KaplanMeierFitter from lifelines.utils import median_survival_times df = load_waltons() print(df.head(),' ') print(df['T'].min(), df['T'].max(),' ') print(df['E'].value_counts(),' ') print(df['group'].value_counts(),' ')
可以看到数据有三列，其中T代表min(T, C)，其中T为死亡时间，C为观测截止时间。E代表是否观察到“死亡”，1代表观测到了，0代表未观测到，即生存分析中的删失数据，共7个。 group代表是否存在病毒， miR-137代表存在病毒，control代表为不存在即对照组，根据统计，存在miR-137病毒人数34人，不存在129人。
利用此数据取拟合拟生存分析中的Kaplan Meier模型（专用于估计生存函数的模型），并绘制全体人群的生存曲线。
kmf = KaplanMeierFitter() kmf.fit(df['T'], event_observed=df['E']) kmf.plot_survival_function() median_ = kmf.median_survival_time_ median_confidence_interval_ = median_survival_times(kmf.confidence_interval_) print(median_confidence_interval_)
图中蓝色实线为生存曲线，浅蓝色带代表了95%置信区间。随着时间增加，存活概率S(t)越来越小，这是一定的，同时S(t)=0.5时，t的95%置信区间为[53, 58]。这并不是我们关注的重点，我们真正要关注的实验组（存在病毒）和对照组（未存在病毒）的生存曲线差异。因此我们要按照group等于“miR-137”和“control”分组，分别观察对应的生存曲线:
groups = df['group']
ix = (groups == 'miR-137')
kmf.fit(df['T'][ix], df['E'][ix], label='miR-137')
ax = kmf.plot()
treatment_median_confidence_interval_ = median_survival_times(kmf.confidence_interval_)
print("带有miR-137病毒存活50%对应的存活时间95%置信区间：'
'", treatment_median_confidence_interval_, '
')
kmf.fit(df['T'][~ix], df['E'][~ix], label='control')
#共享一个画布
ax = kmf.plot(ax=ax)
control_median_confidence_interval_ = median_survival_times(kmf.confidence_interval_)
print("未带有miR-137病毒存活50%对应的存活时间95%置信区间：'
'", control_median_confidence_interval_)
可以看到，带有miR-137病毒的生存曲线在control组下方。说明其平均存活时间明显小于control组。同时带有miR-137病毒存活50%对应的存活时间95%置信区间为[19,29]，对应的control组为[56,60]。差异较大，这个方法可以应用在分析用户流失等场景，比如我们对一组人群实行了一些防止流行活动，我们可以通过此种方式分析我们活动是否有效。
二、Cox回归
COX回归模型，又称“比例风险回归模型(proportional hazards model，简称Cox模型)”，是由英国统计学家D.R.Cox(1972)年提出的一种半参数回归模型。该模型以生存结局和生存时间为应变量，可同时分析众多因素对生存期的影响，能分析带有截尾生存时间的资料，且不要求估计资料的生存分布类型。由于上述优良性质，该模型自问世以来，在医学随访研究中得到广泛的应用，是迄今生存分析中应用最多的多因素分析方法。
对于回归模型的假设检验通常采用似然比检验、Wald检验和记分检验，其检验统计量均服从卡方分布。，其自由度为模型中待检验的自变量个数。一般说来，Cox回归系数的估计和模型的假设检验计算量较大，通常需利用计算机来完成相应的计算
通常存活时间与多种因素都存在关联，因此我们的面临的数据是多维的。下面使用一个更复杂的数据集。
from lifelines.datasets import load_regression_dataset from lifelines import CoxPHFitter regression_dataset = load_regression_dataset() print(regression_dataset.head()) print(regression_dataset['E'].value_counts())
其中T代表min(T, C)，其中T为死亡时间，C为观测截止时间。E代表是否观察到“死亡”，1代表观测到了，0代表未观测到，即生存分析中的**“删失”**数据，删失数据共11个。var1,var2,var3代表了我们关系的变量，可以是是否为实验组的虚拟变量，可以是一个用户的渠道路径，也可以是用户自身的属性
我们利用此数据进行Cox回归
cph = CoxPHFitter() cph.fit(regression_dataset, 'T', event_col='E') cph.print_summary()
结果分析：从结果来看，我们认为var1和var3在5%的显著性水平下是显著的。认为var1水平越高，用户的风险函数值越大，即存活时间越短（cox回归是对风险函数建模，这与死亡加速模型刚好相反，死亡加速模型是对存活时间建模，两个模型的参数符号相反）。同理，var3水平越高，用户的风险函数值越大。
我们看到结果中第二列为exp(coef)，我们还可以利用这个数字代替RR值，带入PAF的计算公式进行归因分析。请参考我的另一篇博客数据分析系列：归因分析原理、案例和python代码
参考https://blog.csdn.net/u011517132/article/details/105528940
生存分析练习
从0到1Python数据科学之旅（博主录制）
http://dwz.date/cqpw
