data set has no non-missing observations

这是一个表示数据集中没有缺失值的错误信息。缺失值通常会影响数据分析结果，因此数据集中缺失值的数量和位置非常重要。但是，如果错误地报告数据集中没有缺失值，可能会导致数据分析出现问题。

这个错误信息通常意味着在读取数据集时出现了问题。可能是数据集格式不正确，或者数据集中的所有变量都是空的。如果这个错误信息出现在一个正常工作的数据集中，可以尝试使用数据清洗工具来查找缺失值并填充它们。如果数据集确实没有缺失值，那么这个错误信息可以被忽略。

在任何情况下，要处理好数据集中的缺失值是非常重要的。在进行数据分析之前，必须对缺失值进行适当的处理，否则可能会导致结果错误。常见的处理方式包括删除缺失值、用平均值或众数填充缺失值、或者使用更加复杂的插值方法来填充缺失值。

相关问题

fewer than 2 non-missing observations for disabled

我理解您的问题是什么意思。这个错误信息是指在某个变量中，残缺数据（missing data）的数量超过了所剩下的非缺失数据的数量，导致无法做出有效的统计分析。这通常发生在数据缺失比较严重的情况下，可能会影响模型的准确性和可靠性。解决这个问题的方法包括使用更多的数据来填补缺失值或者使用适当的缺失值填充方法来处理缺失值。

Can't compute median survival time of object <lifelines.CoxPHFitter: fitted with 77 total observations, 65 right-censored observations>

这个错误是因为您的生存数据集中存在截尾数据（右截尾），而默认情况下，`median_survival_times` 函数不会计算截尾数据的中位生存时间。如果您希望计算截尾数据的中位生存时间，可以使用 `median_survival_times` 函数的 `method` 参数，并将其设置为 `'kaplan-meier'` 或 `'plugin'`。

例如，以下是使用 `kaplan-meier` 方法计算中位生存时间的示例代码：

from lifelines import CoxPHFitter
from lifelines.datasets import load_rossi
from lifelines.utils import median_survival_times

# 加载罗西数据集
rossi_dataset = load_rossi()

# 拟合COX模型
cph = CoxPHFitter()
cph.fit(rossi_dataset, duration_col='week', event_col='arrest')

# 计算中位生存时间
median_survival_times(cph, method='kaplan-meier')

该代码加载了罗西数据集，使用 `CoxPHFitter` 拟合 COX 模型，然后使用 `median_survival_times` 函数计算中位生存时间，并将 `method` 参数设置为 `'kaplan-meier'`。这将使用 Kaplan-Meier 方法来计算截尾数据的中位生存时间。您也可以将 `method` 参数设置为 `'plugin'`。