单因素cox分析筛选变量的python代码

单因素Cox比例风险模型（Cox Proportional Hazards Model）是一种常用的生存分析方法，用于评估单个独立变量对生存时间的影响。在Python中，我们可以使用`survival`库中的`coxph`函数来进行此类分析。下面是一个简单的例子，假设我们有一个名为`df`的数据框，其中包含`Survival_Time`, `Event_Status`（是否发生事件），以及一些其他可能影响生存时间的特征：

# 导入需要的库
import pandas as pd
from statsmodels.sandbox.stats.multicomp import pairwise_tukeyhsd
from lifelines import CoxPHFitter

# 假设df是你数据集
data = df[['Survival_Time', 'Event_Status', 'Feature1', 'Feature2', 'Feature3']]

# 将分类变量编码为数值形式（如果需要）
for col in ['Feature1', 'Feature2', 'Feature3']:
    data[col] = pd.Categorical(data[col]).codes

# 创建Cox回归模型
cph = CoxPHFitter()
cph.fit(data, duration_col='Survival_Time', event_col='Event_Status')

# 打印系数、p值和HR（风险比）
print(cph.summary())

# 筛选显著的变量（通常是p_value小于预设阈值，比如0.05）
significant_features = cph.covariate_importance_['coef'] | cph.covariate_importance_['p_value'] < 0.05

selected_variables = data.columns[data.columns.isin(significant_features.index)]