入门指南#

安装#

最简单的安装方式是通过 pip 或 conda:

pip install dowhy

conda install -c conda-forge dowhy

更多安装场景和说明可以在安装中找到。

“你好因果推理世界”#

在本节中，我们将展示DoWhy的“Hello world”版本。DoWhy基于一个简单的统一语言进行因果推断，统一了两个强大的框架，即图形因果模型（GCM）和潜在结果（PO）。它使用基于图的标准和do-calculus来建模假设并识别非参数因果效应。

为了让你入门，我们从DoWhy提供的众多功能中介绍两个功能。

效果推断#

为了进行效果估计，DoWhy 主要转向基于潜在结果的方法。为此，DoWhy 提供了一个简单的四步流程，包括建模因果模型、识别、估计和反驳：

from dowhy import CausalModel
import dowhy.datasets

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

# Step 1: 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"])

# Step 2: Identify causal effect and return target estimands
identified_estimand = model.identify_effect()

# Step 3: Estimate the target estimand using a statistical method.
estimate = model.estimate_effect(identified_estimand,
                                 method_name="backdoor.propensity_score_matching")

# Step 4: Refute the obtained estimate using multiple robustness checks.
refute_results = model.refute_estimate(identified_estimand, estimate,
                                       method_name="random_common_cause")

要理解这四个步骤的含义（以及为什么我们需要四个步骤），最好的学习地方是用户指南中的估计因果效应章节。或者，你可以直接进入代码并探索计算因果效应的基本示例中的基本功能。

为了估计条件效应，你也可以使用来自EconML的方法，使用相同的API，请参考使用DoWhy和EconML的条件平均处理效应（CATE）。

基于图形因果模型的推断#

对于诸如根本原因分析、点对点反事实推理、结构分析等特性，DoWhy使用图形因果模型。图形因果模型的语言再次提供了可以回答的各种因果问题。DoWhy的API用于回答这些因果问题，遵循以下简单的三步配方：

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))

# Step 1: Model our system:
causal_model = gcm.StructuralCausalModel(nx.DiGraph([('X', 'Y'), ('Y', 'Z')]))
gcm.auto.assign_causal_mechanisms(causal_model, data)

# Step 2: Train our causal model with the data from above:
gcm.fit(causal_model, data)

# Step 3: Perform a causal analysis. For instance, root cause analysis, where we observe
anomalous_sample = pd.DataFrame(dict(X=[0.1], Y=[6.2], Z=[19]))  # Here, Y is the root cause.
# ... and would like to answer the question:
# "Which node is the root cause of the anomaly in Z?":
anomaly_attribution = gcm.attribute_anomalies(causal_model, "Z", anomalous_sample)

如果您想了解更多关于此功能及其他GCM功能的信息，我们建议从用户指南中的建模图形因果模型（GCMs）开始，或者查看图形因果模型的基本示例。

更多资源#

还有更多可用的资源：