Python绘图——生存曲线

今天我们将一起学习如何利用Python中____lifelines包_____建模和分析生存数据并用plot_绘制生存曲线，以及更改其样式如标题字号大小，坐标轴及图例设置等，使用Python即可绘制出SCI论文图！___”

lifelines包

lifelines 是一个 Python 生存分析库，用于建模和分析生存数据。它提供了许多用于生存分析的工具，包括 Kaplan-Meier 生存曲线、Cox 比例风险模型、Aalen 加法风险模型等。下面是一些 lifelines 中常用的功能和概念的详解：

• Kaplan-Meier 生存曲线：

• Kaplan-Meier 生存曲线是一种用于估计生存概率的非参数方法。它可用于分析生存数据，例如患者的存活时间。KaplanMeierFitter 类用于拟合 Kaplan-Meier 生存曲线。可以使用 fit 方法拟合数据，然后使用 plot 方法绘制生存曲线图。

• Cox 比例风险模型：

• Cox 比例风险模型是一种用于分析生存数据的半参数方法。它可以用来研究不同因素对生存时间的影响。CoxPHFitter 类用于拟合 Cox 比例风险模型。可以使用 fit 方法拟合模型，然后进行参数估计和假设检验。

• Aalen 加法风险模型：

• Aalen 加法风险模型是一种用于考虑时间依赖性的生存分析方法。它适用于具有时间相关危险率的数据。AalenAdditiveFitter 类用于拟合 Aalen 加法风险模型。可以使用 fit 方法拟合模型，然后进行参数估计和假设检验。

• 生存数据格式：lifelines 通常使用 Pandas 数据框（DataFrame）来表示生存数据。数据框包括观察时间（时间至事件发生或截尾）和事件状态（1 表示事件发生，0 表示事件未发生）。

• 生存曲线绘制：

  使用 plot 方法可以绘制 Kaplan-Meier 生存曲线。您可以自定义图表的颜色、标签、置信区间等参数。

• 生存分析统计量：

lifelines 提供了一系列生存分析统计量，如中位生存时间、生存概率、累积危险函数等，用于描述生存数据的特征。

lifelines 提供了强大的工具来处理和分析生存数据，使研究人员能够更好地理解和解释生存时间数据中的模式和趋势。可以根据具体的研究问题选择合适的方法和模型来进行生存分析。

接下来我们简单演示一下：

import pandas as pd``from lifelines import KaplanMeierFitter``import matplotlib.pyplot as plt``   ``# 示例数据，包括观察时间和事件状态（1表示事件发生，0表示事件未发生）``data_group1 = pd.DataFrame({`    `'time': [5, 10, 15, 20, 25, 30, 35, 40, 45, 50],`    `'event': [1, 1, 0, 1, 0, 1, 1, 0, 1, 0]``})``   ``   ``# 创建 Kaplan-Meier 生存曲线对象``kmf = KaplanMeierFitter()``   ``# 拟合第一组数据并绘制曲线（使用红色线条）``kmf.fit(data_group1['time'], event_observed=data_group1['event'])``kmf.plot(label='Group 1', color='red')``   ``# 添加图例``plt.legend()``   ``# 添加图表标题和标签``plt.title('Kaplan-Meier Survival Curve')``plt.xlabel('Time')``plt.ylabel('Survival Probability')``   ``# 显示图表``plt.show()``   

输出：

我们使用KM函数拟合生存曲线并绘制，首先我们创建一组生存数据（DataFrame格式），并用KM函数进行拟合，plot进行绘图，绘制出的曲线即为生存曲线，阴影部分代表95%置信区间。

plot绘图参数设置

我们可以与seaborn结合绘制更美观的曲线图，并可以利用plt.annotate()函数为其添加注释：

import pandas as pd``import matplotlib.pyplot as plt``import seaborn as sns``from lifelines import KaplanMeierFitter``   ``# 示例数据``data = pd.DataFrame({`    `'time': [5, 10, 15, 20, 25, 30, 35, 40, 45, 50],`    `'event': [1, 1, 0, 1, 0, 1, 1, 0, 1, 0]``})``   ``# 创建 Kaplan-Meier 生存曲线对象``kmf = KaplanMeierFitter()``   ``# 拟合生存曲线``kmf.fit(data['time'], event_observed=data['event'], label='Overall Survival')``   ``# 创建图表``fig, ax = plt.subplots(figsize=(10, 6))``sns.set_style("white")``   ``# 绘制生存曲线``kmf.plot(ci_show=False, color='blue', lw=2, label='Overall Survival', ax=ax)``   ``# 添加标签和标题``plt.title('Kaplan-Meier Survival Curve')``plt.xlabel('Time (Months)')``plt.ylabel('Survival Probability')``   ``# 添加自定义文本注释``plt.annotate('Median Survival: 35 months', xy=(35, 0.5), xytext=(40, 0.65),`             `arrowprops=dict(facecolor='black', shrink=0.05),`             `fontsize=12, color='black')``   ``# 自定义 x 轴刻度``plt.xticks(np.arange(0, 40, 5))``   ``# 添加图例``plt.legend()``   ``# 去掉上边框和右边框线``ax.spines['top'].set_visible(False)``ax.spines['right'].set_visible(False)``   ``# 显示图表``plt.show()

输出：

在这里我们使用seaborn中的图像样式进行绘制，可以更改图表的背景和轴线的外观。seaborn 提供了以下几种主要的样式：

• “whitegrid”：白色背景，带有网格线。

• “darkgrid”：深色背景，带有网格线。

• “white”：白色背景，无网格线。

• “dark”：深色背景，无网格线。

• “ticks”：白色背景，带有刻度线但无网格线。

• “poster”：适用于大尺寸图表，字号较大的样式。

• “notebook”：默认样式，适用于 Jupyter Notebook 等交互式环境。

我们在plot函数中通过设置ci_show=False去掉了置信区间，color参数设置曲线的颜色，lw参数设置曲线的线宽，label设置曲线的标签，下面我们详细介绍一下plot函数中各参数的意义：

KaplanMeierFitter.plot(ax=None, ci_alpha=0.95, show_censors=False, censor_styles=None, ci_force_lines=False, ci_show=True, title=None, xlabel=None, ylabel=None, **kwargs)

• ax：可选参数，指定要绘制生存曲线的 Matplotlib Axes 对象。如果未提供此参数，将创建一个新的图表。

• ci_alpha：可选参数，表示置信区间的置信水平。默认为 0.95，表示计算 95% 置信区间。

• show_censors：可选参数，表示是否显示截尾标记。如果为 True，则显示截尾标记（默认为 False）。

• censor_styles：可选参数，用于自定义截尾标记的样式。可以提供一个字典，指定不同样式的标记。

• ci_force_lines：可选参数，表示是否强制绘制置信区间的线条。默认为 False，表示绘制阶梯状的置信区间区域。

• ci_show：可选参数，表示是否显示置信区间。默认为 True，表示显示置信区间区域或线条。

• title：可选参数，用于设置图表的标题。

• xlabel：可选参数，用于设置 x 轴的标签。

• ylabel：可选参数，用于设置 y 轴的标签。

• **kwargs：其他可选参数，用于传递给 Matplotlib 的绘图函数。

添加刻度线及更改字号

上述图像还有一些小缺点就是各个标题字号太小，而且没有刻度线，下面我们来改善一下：

import pandas as pd``import matplotlib.pyplot as plt``import seaborn as sns``from lifelines import KaplanMeierFitter``   ``# 示例数据``data = pd.DataFrame({`    `'time': [5, 10, 15, 20, 25, 30, 35, 40, 45, 50],`    `'event': [1, 1, 0, 1, 0, 1, 1, 0, 1, 0]``})``   ``# 创建 Kaplan-Meier 生存曲线对象``kmf = KaplanMeierFitter()``   ``# 拟合生存曲线``kmf.fit(data['time'], event_observed=data['event'], label='Overall Survival')``   ``# 创建图表``fig, ax = plt.subplots(figsize=(10, 6))``sns.set_style("white")``   ``# 绘制生存曲线``kmf.plot(ci_show=False, color='blue', lw=2, label='Overall Survival', ax=ax)``   ``# 添加标签和标题``plt.title('Kaplan-Meier Survival Curve', fontsize=18)``plt.xlabel('Time (Months)', fontsize=15)``plt.ylabel('Survival Probability', fontsize=15)``   ``# 添加自定义文本注释``plt.annotate('Median Survival: 35 months', xy=(35, 0.5), xytext=(40, 0.65),`             `arrowprops=dict(facecolor='black', shrink=0.05),`             `fontsize=14, color='black')``   ``# 自定义 x 轴刻度``plt.xticks(np.arange(0, 55, 5),fontsize=12)``plt.yticks(fontsize=12)  # 调整 y 轴刻度的字号``   ``# 添加图例``plt.legend(fontsize=14)``   ``# 去掉上边框和右边框线``ax.spines['top'].set_visible(False)``ax.spines['right'].set_visible(False)``   ``# 设置刻度线``ax.tick_params(axis='both', which='both', bottom=True, left=True)``   ``# 显示图表``plt.show()

输出：

我们通过设置ax.tick_params函数设置刻度线，fontsize调整字号大小，这样看起来顺眼多了，我们还可以绘制两组生存曲线：

import pandas as pd``import matplotlib.pyplot as plt``import seaborn as sns``from lifelines import KaplanMeierFitter``   ``# 示例数据``data = pd.DataFrame({`    `'time': [5, 10, 15, 20, 25, 30, 35, 40, 45, 50],`    `'event': [1, 1, 0, 1, 1, 1, 1, 0, 1, 0]``})``data2 = pd.DataFrame({`    `'time': [5, 10, 15, 20, 25, 30, 35, 40, 45, 50],`    `'event': [0, 1, 0, 0, 1, 0, 1, 0, 0, 0]``})``# 创建 Kaplan-Meier 生存曲线对象``kmf = KaplanMeierFitter()``   ``# 拟合生存曲线``kmf.fit(data['time'], event_observed=data['event'], label='Overall Survival')``   ``# 创建图表``fig, ax = plt.subplots(figsize=(10, 6))``sns.set_style("white")``   ``# 绘制生存曲线``kmf.plot(ci_show=False, color='blue', lw=2, label='Group 1', ax=ax)``   ``# 拟合第二组数据并绘制曲线（使用蓝色线条）并去掉置信区间``kmf.fit(data2['time'], event_observed=data2['event'])``kmf.plot(label='Group 2', color='red', ci_show=False, ax=ax,lw=2)``   ``# 添加标签和标题``plt.title('Kaplan-Meier Survival Curve', fontsize=18)``plt.xlabel('Time (Months)', fontsize=15)``plt.ylabel('Survival Probability', fontsize=15)``   ``   ``# 自定义 x 轴刻度``plt.xticks(np.arange(0, 55, 5),fontsize=12)``plt.yticks(fontsize=12)  # 调整 y 轴刻度的字号``   ``# 添加图例``plt.legend(fontsize=14)``   ``# 去掉上边框和右边框线``ax.spines['top'].set_visible(False)``ax.spines['right'].set_visible(False)``   ``# 设置刻度线``ax.tick_params(axis='both', which='both', bottom=True, left=True)``   ``# 显示图表``plt.show()

输出：

还可以通过设置plt.legend中的参数调整图例样式：

import pandas as pd``import matplotlib.pyplot as plt``import seaborn as sns``from lifelines import KaplanMeierFitter``   ``   ``# 示例数据``data = pd.DataFrame({`    `'time': [5, 10, 15, 20, 25, 30, 35, 40, 45, 50],`    `'event': [1, 1, 0, 1, 1, 1, 1, 0, 1, 0]``})``data2 = pd.DataFrame({`    `'time': [5, 10, 15, 20, 25, 30, 35, 40, 45, 50],`    `'event': [0, 1, 0, 0, 1, 0, 1, 0, 0, 0]``})``# 创建 Kaplan-Meier 生存曲线对象``kmf = KaplanMeierFitter()``   ``# 拟合生存曲线``kmf.fit(data['time'], event_observed=data['event'], label='Overall Survival')``   ``# 创建图表``fig, ax = plt.subplots(figsize=(10, 6))``sns.set_style("white")``   ``# 绘制生存曲线``kmf.plot(ci_show=False, color='blue', lw=2, label='Group 1', ax=ax)``# 拟合第二组数据并绘制曲线（使用蓝色线条）并去掉置信区间``kmf.fit(data2['time'], event_observed=data2['event'])``kmf.plot(label='Group 2', color='red', ci_show=False, ax=ax,lw=2)``   ``# 添加标签和标题``plt.title('Kaplan-Meier Survival Curve', fontsize=18)``plt.xlabel('Time (Months)', fontsize=15)``plt.ylabel('Survival Probability', fontsize=15)``   ``# 自定义 x 轴刻度``plt.xticks(np.arange(0, 55, 5),fontsize=12)``plt.yticks(fontsize=12)  # 调整 y 轴刻度的字号``# 添加图例``plt.legend(fontsize=14, frameon=False)``   ``# 去掉上边框和右边框线``ax.spines['top'].set_visible(False)``ax.spines['right'].set_visible(False)``   ``# 设置刻度线``ax.tick_params(axis='both', which='both', bottom=True, left=True)``# 显示图表``plt.show()

输出：

这里我们通过设置frameon=False，取消了图例的边框。其内包含其他参数如下：

• labels：一个包含图例标签的列表，用于指定每个图例项的标签文本。

• loc：用于指定图例的位置。常见的取值包括 ‘best’（自动选择最佳位置）、‘upper right’（右上角）、‘upper left’（左上角）、‘lower right’（右下角）、‘lower left’（左下角）等。您也可以使用数字表示位置，例如，0 表示 ‘best’，1 表示 ‘upper right’，以此类推。

• fontsize：用于设置图例文本的字号大小。

• title：用于设置图例的标题文本。

• title_fontsize：用于设置图例标题的字号大小。

• frameon：一个布尔值，用于控制是否显示图例的边框。设置为 False 可以去掉边框，设置为 True 则显示边框。

• facecolor：用于设置图例的背景颜色。

• edgecolor：用于设置图例的边框颜色。

• framealpha：用于设置图例边框的透明度。

• ncol：用于设置图例的列数，以便在一行中显示多个图例项。

• bbox_to_anchor：用于设置图例的位置，可以指定图例的左下角坐标相对于 Axes 坐标系的位置。

• bbox_transform：指定 bbox_to_anchor 参数的参考坐标系，通常使用 ‘axes’（Axes 坐标系）或 ‘figure’（Figure 坐标系）。

ax.legend 函数用于设置图例的属性，包括标签、位置、字号、颜色等。我们可以根据自己的需求进行绘制。

总结

以上就是本次推送的全部内容，希望小伙伴们能够多提提建议！

---------------------------END---------------------------

题外话

感兴趣的小伙伴，赠送全套Python学习资料，包含面试题、简历资料等具体看下方。

CSDN大礼包：全网最全《Python学习资料》免费赠送！（安全链接，放心点击）

一、Python所有方向的学习路线

Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

二、Python必备开发工具

工具都帮大家整理好了，安装就可直接上手！

三、最新Python学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、Python视频合集

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试宝典

简历模板

CSDN大礼包：全网最全《Python学习资料》免费赠送！（安全链接，放心点击）

若有侵权，请联系删除