y0

y0（发音为“why not?”）是因果推理的Python代码。

💪 入门指南

表示概率表达式

y0有一个功能齐全的内部领域特定语言，用于表示概率表达式

from y0.dsl import P, A, B

# The probability of A given B
expr_1 = P(A | B)

# The probability of A given not B
expr_2 = P(A | ~B)

# The joint probability of A and B
expr_3 = P(A, B)

它也可以用于操作表达式

from y0.dsl import P, A, B, Sum

P(A, B).marginalize(A) == Sum[A](P(A, B))
P(A, B).conditional(A) == P(A, B) / Sum[A](P(A, B))

DSL对象可以用str()转换为字符串，并使用y0.parser.parse_y0()解析回对象。

DSL的完整演示可以在这个Jupyter Notebook中找到

表示因果关系

y0 在 networkx 的基础上构建了一个关于非循环有向混合图的抽象，可用于建模因果关系。

from y0.graph import NxMixedGraph
from y0.dsl import X, Y, Z1, Z2

# Example from:
#   J. Pearl and D. Mackenzie (2018)
#   The Book of Why: The New Science of Cause and Effect.
#   Basic Books, p. 240.
napkin = NxMixedGraph.from_edges(
    directed=[
        (Z2, Z1),
        (Z1, X),
        (X, Y),
    ],
    undirected=[
        (Z2, X),
        (Z2, Y),
    ],
)

y0 在 y0.examples 中包含了许多 Pearl、Shpitser、Bareinboim 等人编写的预编写示例。

进行微积分计算

y0 提供了许多在过去 15 年出版物中尚未实现算法的实际实现，包括：

将算法应用于 ADMG 和因果查询以生成一个表示在 DSL 中的估计量

from y0.dsl import P, X, Y
from y0.examples import napkin
from y0.algorithm.identify import Identification, identify

# TODO after ID* and IDC* are done, we'll update this interface
query = Identification.from_expression(graph=napkin, query=P(Y @ X))
estimand = identify(query)
assert estimand == P(Y @ X)

🚀 安装

可以从 PyPI 安装最新版本

$ pip install y0

可以直接从 GitHub 安装最新代码和数据

$ pip install git+https://github.com/y0-causal-inference/y0.git

👐 贡献

贡献，无论是提交问题、提交拉取请求还是分叉，都是受欢迎的。有关参与更多信息，请参阅 CONTRIBUTING.md。

👋 属性

⚖️ 许可证

本包中的代码根据 BSD-3-Clause 许可证 许可。

📖 引用

在我们发布有关 y0 的应用说明之前，您可以通过我们的 Zenodo 记录引用此软件（也请参见上面的徽章）。

@software{y0,
  author       = {Charles Tapley Hoyt and
                  Jeremy Zucker and
                  Marc-Antoine Parent},
  title        = {y0-causal-inference/y0},
  month        = jun,
  year         = 2021,
  publisher    = {Zenodo},
  version      = {v0.1.0},
  doi          = {10.5281/zenodo.4950768},
  url          = {https://doi.org/10.5281/zenodo.4950768}
}

🙏 支持者

该项目已得到几家组织的支持（按字母顺序排列）

• 哈佛治疗科学项目 - 系统药理学实验室
• 太平洋西北国家实验室

💰 资金

Y0 因果推理引擎的开发得到了以下资助

🍪 Cookiecutter

此包是用 @audreyfeldroy 的 cookiecutter 包以及 @cthoyt 的 cookiecutter-python-package 模板创建的。

🛠️ 开发

$ git clone git+https://github.com/y0-causal-inference/y0.git
$ cd y0
$ pip install -e .

$ tox

$ tox -e finish