---

免责声明

本项目目前处于稳定状态，并正在孵化以实现长期支持。它可能包含新的实验性代码，其API可能会发生变化。

Causal ML：用于提升建模和基于机器学习的因果推断的Python库

Causal ML 是一个基于最新研究[1]的Python库，提供了一系列利用机器学习算法进行提升建模和因果推断的方法。它提供了一个标准接口，允许用户从实验或观察性数据中估计条件平均处理效应（CATE）。本质上，它在不对模型形式做强假设的情况下，估计干预变量 T 对结果变量 Y 在具有观测特征 X 的个体上的因果影响。典型的使用场景包括：

• 营销活动目标受众优化：提高广告投放投资回报率的一个重要手段是将广告精准投放给那些在特定关键绩效指标（如互动或销售额）上会有积极反应的客户群体。通过A/B实验或历史观察性数据，CATE可以在个体层面估算广告曝光对KPI的影响，从而识别出这些高响应客户。

• 个性化用户互动：企业与客户之间存在多种互动方式，例如在追加销售中提供不同的产品选择，或在沟通中使用不同的消息渠道。可以利用CATE来估计每个客户与每种互动方式组合下的异质性处理效应，从而构建最优的个性化推荐系统。

文档

文档可在以下网址查阅： https://causalml.readthedocs.io/en/latest/about.html

安装

安装说明请参见： https://causalml.readthedocs.io/en/latest/installation.html

快速入门

包含代码片段的快速入门指南请参见： https://causalml.readthedocs.io/en/latest/quickstart.html

示例笔记本

示例笔记本请参见： https://causalml.readthedocs.io/en/latest/examples.html

贡献

我们欢迎社区开发者参与本项目的贡献。在开始之前，请先阅读我们的行为准则并查看贡献指南。

版本管理

我们在变更日志中记录了版本及变更信息。

许可证

本项目采用Apache 2.0许可证授权——详细信息请参阅LICENSE文件。

参考文献

文档

• Causal ML API文档

研讨会、演讲及出版物

• （研讨会）2025年KDD大会上的第三届因果推断与机器学习实践研讨会
• （研讨会）2024年KDD大会上的第二届因果推断与机器学习实践研讨会
• （研讨会）2023年KDD大会上的因果推断与机器学习实践：产品、品牌、政策及其他领域的应用案例研讨会
• （演讲）2021年因果数据科学会议上的CausalML简介
• （演讲）2021年MIT数字实验会议上的CausalML简介
• （教程）2021年KDD大会上的因果推断与机器学习实践：EconML和CausalML在微软、猫途鹰、优步等公司的工业应用案例教程
• （出版物）CausalML：用于因果机器学习的Python库
• （出版物）考虑成本优化的多处理提升建模，发表于2019年IEEE国际数据科学与高级分析会议（DSAA）
• （出版物）用于提升建模的特征选择方法

引用

若在出版物中引用CausalML，可参考以下来源：

白皮书： CausalML：用于因果机器学习的Python库

BibTeX：

@misc{chen2020causalml, title={CausalML: Python Package for Causal Machine Learning}, author={Huigang Chen and Totte Harinen and Jeong-Yoon Lee and Mike Yung and Zhenyu Zhao}, year={2020}, eprint={2002.11631}, archivePrefix={arXiv}, primaryClass={cs.CY} }

文献

1. 陈慧刚、托特·哈里宁、李正允、迈克·容和赵振宇。“Causalml：用于因果机器学习的Python软件包。” arXiv预印本arXiv:2002.11631（2020）。
2. 拉德克利夫，尼古拉斯·J.，和帕特里克·D·萨里。“基于显著性检验的提升树在现实世界中的提升建模。” Stochastic Solutions白皮书TR-2011-1（2011）：1–33页。
3. 赵燕、方晓和大卫·辛奇-列维。“具有多处理和一般响应类型的提升建模。” 2017年SIAM国际数据挖掘会议论文集。工业与应用数学学会，2017年。
4. 汉索蒂亚，贝赫拉姆，和布拉德·鲁克斯塔尔斯。“增量价值建模。” 交互营销杂志16.3（2002）：35–46页。
5. 扬尼克·罗斯勒、理查德·古塞和德特列夫·肖德尔。“两全其美：利用提升建模和异质性处理效应的最新进展优化目标定位策略”。信息系统国际会议（2022）。
6. 苏晓刚等。“通过递归划分进行亚组分析。” 机器学习研究杂志10.2（2009）。
7. 苏晓刚等。“为大型观察性研究提供评分和因果推断树。” 机器学习研究杂志13（2012）：2955页。
8. 阿西和圭多·伊姆本斯。“用于异质性因果效应的递归划分。” 美国国家科学院院刊113.27（2016）：7353–7360页。
9. 昆泽尔，索伦·R.等。“使用机器学习估计异质性处理效应的元学习器。” 美国国家科学院院刊116.10（2019）：4156–4165页。
10. 倪欣坤和斯特凡·韦格尔。“异质性处理效应的准oracle估计。” arXiv预印本arXiv:1712.04912（2017）。
11. 邦，熙静和詹姆斯·M·罗宾斯。“缺失数据和因果推断模型中的双重稳健估计。” 生物计量学61.4（2005）：962–973页。
12. 范德兰，马克·J.和丹尼尔·鲁宾。“目标最大似然学习。” 国际生物统计学杂志2.1（2006）。
13. 肯尼迪，爱德华·H.：“异质性因果效应的最优双稳健估计。” arXiv预印本arXiv:2004.14497（2020）。
14. 卢伊佐斯，克里斯托斯等。“基于深度潜在变量模型的因果效应推断。” arXiv预印本arXiv:1705.08821（2017）。
15. 施，克劳迪娅、戴维·M·布莱和维克多·维奇。“将神经网络应用于处理效应估计。” 第33届神经信息处理系统大会（NeurIPS 2019），2019年。
16. 赵振宇、张玉敏、托特·哈里宁和迈克·容。“提升建模的特征选择方法。” arXiv预印本arXiv:2005.03447（2020）。
17. 赵振宇和托特·哈里宁。“考虑成本优化的多处理提升建模。” 2019年IEEE数据科学与高级分析国际会议论文集，第422–431页。IEEE，2019年。

相关项目

• uplift：R语言中的提升模型
• grf：包含异质性处理效应估计的广义随机森林，适用于R语言
• rlearner：实现R-Learner的R语言包
• DoWhy：基于朱迪亚·珀尔的do演算的Python因果推断工具
• EconML：实现来自计量经济学和机器学习方法的异质性处理效应估计器的Python软件包

Causal ML 快速上手指南

Causal ML 是一个由 Uber 开源的 Python 包，提供基于机器学习算法的提升建模（Uplift Modeling）和因果推断方法。它主要用于估计条件平均处理效应（CATE），帮助开发者在营销定向优化、个性化推荐等场景中量化干预措施的实际效果。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS, 或 Windows
• Python 版本：建议 Python 3.8 及以上版本
• 核心依赖：
  • numpy
  • pandas
  • scipy
  • scikit-learn
  • matplotlib
  • seaborn
  • joblib
  • tqdm
  • lightgbm (可选，用于基于树的模型)
  • xgboost (可选，用于基于树的模型)

提示：建议使用虚拟环境（如 venv 或 conda）进行隔离安装，以避免依赖冲突。

安装步骤

方式一：通过 PyPI 安装（推荐）

使用 pip 直接安装稳定版：

pip install causalml

国内加速方案： 如果您在中国大陆，建议使用清华或阿里镜像源以加快下载速度：

pip install causalml -i https://pypi.tuna.tsinghua.edu.cn/simple

或者使用阿里云镜像：

pip install causalml -i https://mirrors.aliyun.com/pypi/simple/

方式二：从源码安装（获取最新特性）

如果需要体验最新的实验性功能，可以从 GitHub 克隆源码安装：

git clone https://github.com/uber/causalml.git
cd causalml
pip install -e .

基本使用

以下是一个最简单的示例，演示如何使用 Causal ML 中的 S-Learner 方法来估计处理效应。

1. 准备数据与模型

假设你有一份包含特征 X、处理变量 treatment 和目标结果 y 的数据集。

import pandas as pd
import numpy as np
from causalml.inference.meta import LRSRegressor
from causalml.metrics import plot_uplift_preds

# 生成模拟数据 (实际使用中请替换为您的真实数据)
np.random.seed(42)
n_samples = 1000
X = np.random.rand(n_samples, 5)
treatment = np.random.binomial(1, 0.5, n_samples)
# 模拟一个受处理影响的結果
y = (X[:, 0] * treatment * 2 + np.random.normal(0, 0.1, n_samples)).astype(int)

df = pd.DataFrame(X, columns=[f'feature_{i}' for i in range(5)])
df['treatment'] = treatment
df['y'] = y

2. 初始化模型并拟合

这里使用线性回归作为基础学习器（Base Learner）的 S-Learner 方法。

from causalml.inference.meta import LRSRegressor

# 初始化 S-Learner (使用线性回归)
lr_model = LRSRegressor()

# 拟合模型
# treatment_column: 处理变量列名
# outcome_column: 目标结果列名
# feature_columns: 特征列名列表
lr_model.fit(
    df=df,
    treatment_column='treatment',
    outcome_column='y',
    feature_columns=[f'feature_{i}' for i in range(5)]
)

3. 预测处理效应 (CATE)

使用训练好的模型预测每个样本的处理效应。

# 预测个体层面的处理效应
df['cate'] = lr_model.predict(df)[0]

# 查看前几行结果
print(df[['treatment', 'y', 'cate']].head())

4. 可视化结果 (可选)

如果安装了 matplotlib，可以绘制提升曲线来评估模型效果。

# 绘制提升图
plot_uplift_preds(truth=df, treatment='treatment', outcome='y', prediction='cate')

---

更多高级用法（如多处理变量、深度学习模型集成等）请参考官方文档：https://causalml.readthedocs.io/