查看生命线¹ 项目，在 Python 中简单而干净地实现生存模型，包括

• 生存函数的估计器
• 累积风险曲线的估计量
• Cox 的比例风险回归模型
• Cox 的时变回归模型
• 参数 AFT 模型
• Aalen 的加性回归模型
• 多变量测试

好处：

• 建立在 Pandas 之上
• 纯 Python 且易于安装
• 内置绘图功能
• 简单的界面

此处提供文档：文档和示例

示例用法：

from lifelines import KaplanMeierFitter

survival_times = np.array([0., 3., 4.5, 10., 1.])
events = np.array([False, True, True, False, True])

kmf = KaplanMeierFitter()
kmf.fit(survival_times, event_observed=events)

print(kmf.survival_function_)
print(kmf.median_)
kmf.plot()

内置绘图库中的示例绘图：

1. 免责声明：我是主要作者。联系我（个人资料中的电子邮件）以获取有关生命线的问题或反馈。

AFAIK，python 中没有任何生存分析包。正如上面的 mbq 评论，唯一可用的路线是Rpy。

即使有一个纯 python 包可用，我也会非常小心地使用它，特别是我会看：

• 它多久更新一次。
• 它有庞大的用户群吗？
• 它有先进的技术吗？

R 的好处之一是这些标准包得到了大量的测试和用户反馈。在处理真实数据时，可能会出现意想不到的边缘情况。

python-asurv是为天文学中的生存方法移植asurv软件的努力。可能值得关注，但 cgillespie 对需要注意的事情是正确的：它还有很长的路要走，而且开发似乎并不活跃。（AFAICT 只有一种方法存在，甚至已经完成，可能缺少生物统计学家的软件包。）

您可能最好通过RPy或PypeR 之类的方式在 Python 中使用 R中的生存包。我自己这样做没有任何问题。

PyIMSL包含一些用于生存分析的例程。非商业用途与啤酒一样免费，否则完全支持。从统计用户指南中的文档...

计算生存概率的 Kaplan-Meier 估计值：kaplanMeierEstimates()

使用 Cox 的比例风险模型分析生存和可靠性数据：propHazardsGenLin()

使用广义线性模型分析生存数据：survivalGlm()

使用各种参数模式进行估计：survivalEstimates()

使用非参数方法估计可靠性风险函数：nonparamHazardRate()

生成人口和队列生命表：lifeTables()