---

主题	状态
最新版本
Python 版本
master 分支构建
develop 分支构建
文档构建
许可证
代码风格

CausalNex 是什么？

“一个用于贝叶斯网络因果推理的工具包。”

CausalNex 的目标是成为使用贝叶斯网络进行因果推理和“假设分析”的领先库之一。它有助于简化以下步骤：

• 学习因果结构，
• 允许领域专家补充关系信息，
• 利用数据估计潜在干预措施的效果。

为什么选择 CausalNex？

CausalNex 基于我们团队的经验，利用贝叶斯网络来识别数据中的因果关系，从而通过数据分析制定正确的干预措施。我们开发 CausalNex 的原因在于：

• 我们认为，利用贝叶斯网络描述因果关系比基于模式识别和相关性分析的传统机器学习方法更加直观。
• 如果能够轻松地在图模型中编码或补充领域知识，因果关系的准确性会更高。
• 随后，我们可以使用该图模型来评估底层特征变化的影响，即反事实分析，并确定合适的干预措施。

根据我们的经验，一名数据科学家通常需要使用至少 3–4 种不同的开源库，才能最终找到正确的干预方案。CausalNex 旨在简化这一端到端的因果关系和反事实分析流程。

CausalNex 的主要功能有哪些？

该库的主要功能包括：

• 使用最先进的结构学习方法来理解变量之间的条件依赖关系；
• 允许结合领域知识来补充模型关系；
• 基于结构关系构建预测模型；
• 拟合贝叶斯网络的概率分布；
• 通过标准统计检验评估模型质量；
• 通过可视化简化对贝叶斯网络中因果关系的理解；
• 使用 Do 微积分分析干预措施的影响。

如何安装 CausalNex？

CausalNex 是一个 Python 包。要安装它，只需运行：

pip install causalnex

如果需要完整安装所有依赖项，请使用 all：

pip install "causalnex[all]"

更多详细的安装说明，包括如何设置 Python 虚拟环境，请参阅我们的安装指南，并从我们的教程开始使用。

如何使用 CausalNex？

您可以在此处找到最新稳定版的文档：这里。其中介绍了：

• 一个关于如何使用 CausalNex 的端到端教程；
• 在使用贝叶斯网络进行因果推断时的主要概念和方法。

注意：用于构建文档的笔记本和 Markdown 文件可在 docs/source 中找到。

我可以贡献代码吗？

当然可以！我们非常欢迎您的加入，一起共建 CausalNex。请查看我们的贡献指南。

如何升级 CausalNex？

我们采用 SemVer 进行版本管理。安全升级的最佳方式是查看我们的发布说明，以了解是否有显著的破坏性变更。

如何引用 CausalNex？

您可以在本仓库“关于”部分的“引用此仓库”选项中，获取 APA 和 BibTeX 格式的引用信息。

你们使用什么许可证？

详情请参阅我们的LICENSE。

我们正在招聘！

您是否希望加入 QuantumBlack 团队，共同打造 CausalNex 以及其他优秀产品？如果是的话，那真是太幸运了！QuantumBlack 目前正在招聘热爱利用数据驱动决策的机器学习工程师。请查看我们的开放职位，看看您是否适合。

CausalNex 快速上手指南

环境准备

• 系统要求：Python 3.8、3.9 或 3.10
• 前置依赖：已安装 Python 和 pip（推荐使用虚拟环境）

安装步骤

pip install causalnex

如需安装所有依赖（包括可选包），使用：

pip install "causalnex[all]"

基本使用

以下是最简示例，展示如何构建基础贝叶斯网络并可视化：

import causalnex
from causalnex.structure import StructureModel
from causalnex.structure import LearningAlgorithm

# 创建结构模型
sm = StructureModel()

# 添加节点和因果关系
sm.add_nodes_from(["A", "B", "C"])
sm.add_edge("A", "B")
sm.add_edge("B", "C")

# 可视化因果图
sm.plot()

说明：实际应用中需用真实数据训练结构（参考官方教程：快速入门教程）。此示例仅演示基础模型构建流程。