dowhy.do_samplers 包#

子模块#

dowhy.do_samplers.kernel_density_sampler 模块#

class dowhy.do_samplers.kernel_density_sampler.KernelDensitySampler(*args, **kwargs)[source]#

基础类：DoSampler

使用数据和相关变量的名称初始化一个do采样器。

采样实现了Pearl（2000）中的do()操作。这个操作是在因果贝叶斯网络上定义的，其显式实现是MCMC采样方法的基础。

我们将三步过程背后的思想抽象化，以允许其他方法。disrupt_causes方法是使治疗分配可忽略的手段。在Pearl框架中，这是我们切断指向因果状态的边的地方。对于其他方法，这通常是通过使用一些假设条件可忽略性的方法（例如加权，或使用Robins G公式进行显式调节）来实现的。

接下来，make_treatment_effective 方法反映了我们施加的干预是“有效的”这一假设。最简单的情况下，我们将因果状态固定为某个特定值。如果因果状态没有指定值，则跳过此步骤，使用原始值代替。

最后，我们从结果分布中进行采样。这可以是从point_sample方法中采样，如果推理方法不支持批量采样，或者从sample方法中采样，如果支持。为了方便，point_sample方法使用multiprocessing进行并行化，使用num_cores kwargs来设置用于并行化的核心数量。

虽然不同的方法会有自己的类属性，但_df方法应该是所有方法共有的。这是一个临时数据集，最初是原始数据的副本，并被修改以反映do操作的步骤。阅读现有方法（加权可能是最简单的）以了解如何自己实现这一点。

Parameters:

data – 包含数据的 pandas.DataFrame
identified_estimand – dowhy.causal_identifier.IdentifiedEstimand: 使用后门方法的估计量

用于效果识别。 :param treatments: list or str: 处理变量的名称 :param outcomes: list or str: 结果变量的名称 :param variable_types: dict: 包含变量名称和类型的字典。'c' 表示连续，'o' 表示有序，'d' 表示离散，'u' 表示无序离散。 :param keep_original_treatment: bool: 是否使用 make_treatment_effective，或保留原始处理分配。 :param params: (可选) 额外的参数

class dowhy.do_samplers.kernel_density_sampler.KernelSampler(outcome_upper_support, outcome_lower_support, outcome_names, treatment_names, backdoor_variables, data, dep_type, indep_type, bw, defaults)[source]#

基础类：object

sample_point(x_z)[source]#

dowhy.do_samplers.mcmc_sampler 模块#

class dowhy.do_samplers.mcmc_sampler.McmcSampler(graph: DiGraph, action_nodes: List[str], outcome_nodes: List[str], observed_nodes: List[str], data, params=None, variable_types=None, num_cores=1, keep_original_treatment=False, estimand_type=EstimandType.NONPARAMETRIC_ATE)[来源]#

基础类：DoSampler

g, df, data_types

apply_data_types(g, data_types)[来源]#

apply_parameters(g, df, initialization_trace=None)[来源]#

apply_parents(g)[源代码]#

build_bayesian_network(g, df)[source]#

do_sample(x)[source]#

do_x_surgery(g, x)[source]#

fit_causal_model(g, df, data_types, initialization_trace=None)[source]#

make_intervention_effective(x)[来源]#

sample_prior_causal_model(g, df, data_types, initialization_trace)[source]#

dowhy.do_samplers.multivariate_weighting_sampler 模块#

class dowhy.do_samplers.multivariate_weighting_sampler.MultivariateWeightingSampler(graph: DiGraph, action_nodes: List[str], outcome_nodes: List[str], observed_nodes: List[str], data, params=None, variable_types=None, num_cores=1, keep_original_treatment=False, estimand_type=EstimandType.NONPARAMETRIC_ATE)[来源]#

基础类：DoSampler

g, df, data_types

compute_weights()[source]#

disrupt_causes()[source]#: 重写此方法以有条件地忽略治疗分配 :return:

make_treatment_effective(x)[source]#: 这更可能是您希望使用的实现，但某些方法可能需要重写此方法以使治疗有效。 :param x: :return:

sample()[source]#: 默认情况下，这期望在类初始化时构建一个包含sample方法的采样器。如果你想使用不同的采样方法，请重写此方法。 :return:

dowhy.do_samplers.weighting_sampler 模块#

class dowhy.do_samplers.weighting_sampler.WeightingSampler(graph: DiGraph, action_nodes: List[str], outcome_nodes: List[str], observed_nodes: List[str], data, params=None, variable_types=None, num_cores=1, keep_original_treatment=False, estimand_type=EstimandType.NONPARAMETRIC_ATE)[source]#

基础类：DoSampler

g, df, data_types

compute_weights()[source]#

disrupt_causes()[source]#: 重写此方法以有条件地忽略治疗分配 :return:

make_treatment_effective(x)[来源]#: 这更可能是您希望使用的实现，但某些方法可能需要重写此方法以使治疗有效。 :param x: :return:

sample()[来源]#: 默认情况下，这期望在类初始化时构建一个包含sample方法的采样器。如果你想使用不同的采样方法，请重写此方法。 :return:

模块内容#

dowhy.do_samplers.get_class_object(method_name, *args, **kwargs)[source]#