python做单变量Cox比例风险回归分析，选择p<0.05的变量，并保存为表格

在Python中，你可以使用`survival`库（如` lifelines`）来进行单变量Cox比例风险回归分析，这是一种常用的生存分析模型。这里是一个基本步骤：

首先，确保已经安装了所需的库，如果没有，可以使用以下命令安装：

pip install lifelines statsmodels pandas scikit-survival

然后，假设你有一个包含时间数据、状态数据（是否发生事件）以及一些特征的DataFrame，例如`df`：

import pandas as pd
from lifelines import CoxPHFitter
import matplotlib.pyplot as plt

# 假设DataFrame的列名有'time', 'event', 'feature1', 'feature2'
cph = CoxPHFitter()

# 裁剪数据，只保留需要的列
data = df[['time', 'event', 'feature1']]

# 初始化并拟合模型
cph.fit(data, duration_col='time', event_col='event')

# 打印系数及其显著性水平
print(cph.summary)

# 获取显著性低于0.05的变量
significant_features = cph.cox_model_.coef_ < 0.05  # 如果系数小于0.05则认为是负向影响
significant_variables = data.columns[significant_features]

# 将结果保存为表格
result_table = pd.DataFrame({
    'Feature': significant_variables,
    'Coefficient': cph.cox_model_.coef_[significant_features],
    'P-Value': cph.cox_model_.score_test(p_values=True)[significant_features]
})
result_table.to_csv('cox_regression_results.csv', index=False)

在这个例子中，`summary`会显示每个特征的系数、z值（估计的标准误差除以标准误）和P值。通过比较P值和阈值（0.05），你可以筛选出那些显著相关的变量。