入门#

安装#

最简单的安装方式是通过 pip 或 conda

pip install dowhy

conda install -c conda-forge dowhy

更多安装场景和说明请参见 安装。

“因果推断世界，你好”#

在本节中，我们将展示 DoWhy 的“Hello world”版本。DoWhy 基于一种简单的统一因果推断语言，统一了两个强大的框架，即图因果模型 (GCM) 和潜在结果 (PO)。它使用基于图的标准和 do-calculus 来建模假设和识别非参数因果效应。

为了帮助您入门，我们将介绍 DoWhy 提供的众多功能中的两个。

效应推断#

对于效应估计，DoWhy 主要采用基于潜在结果的方法。为此，DoWhy 提供了一个简单的 4 步流程：建模因果模型、识别、估计和反驳。

from dowhy import CausalModel
import dowhy.datasets

# Generate some sample data
data = dowhy.datasets.linear_dataset(
    beta=10,
    num_common_causes=5,
    num_instruments=2,
    num_samples=10000)

# Step 1: Create a causal model from the data and given graph.
model = CausalModel(
    data=data["df"],
    treatment=data["treatment_name"],
    outcome=data["outcome_name"],
    graph=data["gml_graph"])

# Step 2: Identify causal effect and return target estimands
identified_estimand = model.identify_effect()

# Step 3: Estimate the target estimand using a statistical method.
estimate = model.estimate_effect(identified_estimand,
                                 method_name="backdoor.propensity_score_matching")

# Step 4: Refute the obtained estimate using multiple robustness checks.
refute_results = model.refute_estimate(identified_estimand, estimate,
                                       method_name="random_common_cause")

要理解这四个步骤的含义（以及为什么需要四个步骤），最好的学习地点是用户指南的估计因果效应一章。另外，您可以深入研究代码并在计算因果效应的基础示例中探索基本功能。

对于条件效应的估计，您还可以使用来自 EconML 的方法，使用相同的 API，请参见 使用 DoWhy 和 EconML 计算条件平均处理效应 (CATE)。

基于图因果模型的推断#

对于根本原因分析、点对点反事实推断、结构分析等功能，DoWhy 使用图因果模型。图因果模型的语言再次提供了多种可以回答的因果问题。DoWhy 回答这些因果问题的 API 遵循一个简单的 3 步流程如下

import networkx as nx, numpy as np, pandas as pd
from dowhy import gcm

# Let's generate some "normal" data we assume we're given from our problem domain:
X = np.random.normal(loc=0, scale=1, size=1000)
Y = 2 * X + np.random.normal(loc=0, scale=1, size=1000)
Z = 3 * Y + np.random.normal(loc=0, scale=1, size=1000)
data = pd.DataFrame(dict(X=X, Y=Y, Z=Z))

# Step 1: Model our system:
causal_model = gcm.StructuralCausalModel(nx.DiGraph([('X', 'Y'), ('Y', 'Z')]))
gcm.auto.assign_causal_mechanisms(causal_model, data)

# Step 2: Train our causal model with the data from above:
gcm.fit(causal_model, data)

# Step 3: Perform a causal analysis. For instance, root cause analysis, where we observe
anomalous_sample = pd.DataFrame(dict(X=[0.1], Y=[6.2], Z=[19]))  # Here, Y is the root cause.
# ... and would like to answer the question:
# "Which node is the root cause of the anomaly in Z?":
anomaly_attribution = gcm.attribute_anomalies(causal_model, "Z", anomalous_sample)

如果您想了解更多关于此以及其他 GCM 功能的信息，我们建议从用户指南中的图因果模型建模 (GCMs)开始，或者查看图因果模型基础示例。

更多资源#

还有更多资源可用