dowhy 0.11.1

关键特性

DoWhy 支持以下因果任务

• 效应估计（识别、平均因果效应、条件平均因果效应、工具变量等）

• 量化因果影响（中介分析、直接箭头强度、内在因果影响）

• 假设分析（从干预分布生成样本、估计反事实）

• 根本原因分析和解释（将异常归因于其原因、寻找分布变化的起因、估计特征相关性等）

有关更多详细信息以及如何在实践中使用这些方法的说明，请查阅https://py-why.github.io/dowhy上的文档。

示例：效应识别和估计

DoWhy中的大多数因果任务只需要几行代码即可编写。在这里，我们以示例估计处理对结果变量的因果效应。

from dowhy import CausalModel
import dowhy.datasets

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

因果图可以以不同的方式定义，但最常见的方式是通过NetworkX。加载数据后，我们使用DoWhy中效应估计的四个主要操作：model、identify、estimate和refute。

# I. 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"])  # Or alternatively, as nx.DiGraph

# II. Identify causal effect and return target estimands
identified_estimand = model.identify_effect()

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

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

DoWhy强调其输出的可解释性。在任何分析点，您都可以检查未测试的假设、已识别的效应（如果有）以及估计（如果有）。以下是一个线性回归估计器的示例输出。

有关完整的代码示例，请参阅DoWhy入门笔记本。

您还可以使用来自EconML的条件平均处理效应（CATE）估计方法，如条件处理效应笔记本所示。以下是一个代码片段。

from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LassoCV
from sklearn.ensemble import GradientBoostingRegressor
dml_estimate = model.estimate_effect(identified_estimand, method_name="backdoor.econml.dml.DML",
                control_value = 0,
                treatment_value = 1,
                target_units = lambda df: df["X0"]>1,
                confidence_intervals=False,
                method_params={
                    "init_params":{'model_y':GradientBoostingRegressor(),
                                   'model_t': GradientBoostingRegressor(),
                                   'model_final':LassoCV(),
                                   'featurizer':PolynomialFeatures(degree=1, include_bias=True)},
                    "fit_params":{}})

示例：基于图形因果模型（GCM）的推理

DoWhy的图形因果模型框架提供了强大的工具来处理超出效应估计的因果问题。它基于Pearl的图形因果模型框架，并通过因果机制显式地建模每个变量的因果数据生成过程，以支持广泛的因果算法。有关更多详细信息，请参阅书籍《因果推断要素》。

可以使用几行代码执行复杂的因果查询，例如将观察到的异常归因于系统中的节点。

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))

# 1. Modeling cause-effect relationships as a structural causal model
#    (causal graph + functional causal models):
causal_model = gcm.StructuralCausalModel(nx.DiGraph([('X', 'Y'), ('Y', 'Z')]))  # X -> Y -> Z
gcm.auto.assign_causal_mechanisms(causal_model, data)

# 2. Fitting the SCM to the data:
gcm.fit(causal_model, data)

# Optional: Evaluate causal model
print(gcm.evaluate_causal_model(causal_model, data))

# Step 3: Perform a causal analysis.
# results = gcm.<causal_query>(causal_model, ...)
# For instance, root cause analysis:
anomalous_sample = pd.DataFrame(dict(X=[0.1], Y=[6.2], Z=[19]))  # Here, Y is the root cause.

# "Which node is the root cause of the anomaly in Z?":
anomaly_attribution = gcm.attribute_anomalies(causal_model, "Z", anomalous_sample)

# Or sampling from an interventional distribution. Here, under the intervention do(Y := 2).
samples = gcm.interventional_samples(causal_model, interventions={'Y': lambda y: 2}, num_samples_to_draw=100)

GCM框架还提供了许多其他功能，超出了这些示例。有关完整的代码示例，请参阅在线商店示例笔记本。

有关更多功能、DoWhy的示例应用以及输出细节，请参阅用户指南或查看Jupyter笔记本。

引用此包

如果您觉得 DoWhy 对您的工作有所帮助，请引用以下两个参考文献中的任意一个

• Amit Sharma，Emre Kiciman. DoWhy：因果推理的端到端库。2020。https://arxiv.org/abs/2011.04216

• Patrick Blöbaum，Peter Götz，Kailash Budhathoki，Atalanti A. Mastakouri，Dominik Janzing. DoWhy-GCM：DoWhy 在图形因果模型中进行因果推理的扩展。2022。https://arxiv.org/abs/2206.06821

Bibtex

@article{dowhy,
  title={DoWhy: An End-to-End Library for Causal Inference},
  author={Sharma, Amit and Kiciman, Emre},
  journal={arXiv preprint arXiv:2011.04216},
  year={2020}
}

@article{dowhy_gcm,
    author = {Bl{\"o}baum, Patrick and G{\"o}tz, Peter and Budhathoki, Kailash and Mastakouri, Atalanti A. and Janzing, Dominik},
    title = {DoWhy-GCM: An extension of DoWhy for causal inference in graphical causal models},
    journal={arXiv preprint arXiv:2206.06821},
    year={2022}
}

问题

如果您遇到 DoWhy 的问题或对 DoWhy 有特殊要求，请提出问题。

贡献

本项目欢迎贡献和建议。有关贡献指南和所有贡献者的列表，请参阅CONTRIBUTING.md和我们的代码贡献文档。我们的贡献者行为准则可在此处查阅。