HypEx下载 - HypEx源码下载

HypEx

其他源码

v0.1.5

下载

HypEx：高级因果推理和 AB 测试工具包

介绍

HypEx（假设和实验）是一个综合库，旨在简化数据分析中的因果推理和 AB 测试流程。 HypEx 专为提高效率和效果而开发，采用鲁宾因果模型 (RCM) 来匹配密切相关的对，确保在估计治疗效果时进行公平的群体比较。

HypEx 拥有完全自动化的流程，能够熟练地计算平均治疗效果 (ATE)、治疗组的平均治疗效果 (ATT) 和对照组的平均治疗效果 (ATC)。它提供了用于执行这些估计的标准化界面，从而深入了解干预措施对不同人群亚组的影响。

除了因果推理之外，HypEx 还配备了强大的 AB 测试工具，包括双重差分 (Diff-in-Diff) 和 CUPED 方法，以严格测试假设并验证实验结果。

特征

Faiss KNN 匹配：利用 Faiss 进行高效、精确的最近邻搜索，与 RCM 对齐以实现最佳配对匹配。
数据过滤器：内置异常值和 Spearman 过滤器可确保匹配的数据质量。
结果验证：提供多种验证方法，包括随机处理、特征和子集验证。
数据测试：结合 SMD、KS、PSI 和重复测试来确认效果估计的稳健性。
特征选择：采用 LGBM 和 Catboost 特征选择来确定对因果分析最有影响力的特征。
AB 测试套件：具有一套用于全面假设评估的 AB 测试工具。
分层支持：对组进行分层以进行细致的分析
权重支持：通过为特征分配自定义权重来增强您的分析能力，提高匹配精度以满足您的特定研究需求

警告

HypEx 中的某些功能可以帮助解决特定的辅助任务，但无法自动化实验设计决策。下面，我们将讨论 HypEx 中实现但不自动化实验设计的功能。

注意：对于匹配，建议不要使用超过 7 个特征，因为这可能会导致维数灾难，使结果不具有代表性。

特征选择

特征选择模拟了特征对于目标逼近准确性的重要性。但不排除特征被忽视的可能性，特征对目标描述的复杂影响，或者特征从业务逻辑角度的意义。如果存在数据泄漏，算法将无法正常运行。

选择功能时要考虑的要点：

数据泄露——这些不应该出现。
对治疗分布的影响 - 特征不应影响治疗分布。
目标应该可以用特征来描述。
应包括对目标有重大影响的所有特征。
功能的业务原理。
特征选择功能对于解决这些任务很有用，但它并不能解决这些任务，也不能免除用户对其选择的责任，也不能证明其合理性。

链接到 ReadTheDocs

随机治疗

随机治疗算法随机打乱实际治疗。预计治疗对目标的效果将接近于0。

这些方法不足以准确地标记实验是否成功。

链接到 ReadTheDocs

安装

pip install -U hypex

快速启动

在这里探索使用示例和教程。

搭配范例

 from hypex import Matcher
from hypex . utils . tutorial_data_creation import create_test_data

# Define your data and parameters
df = create_test_data ( rs = 42 , na_step = 45 , nan_cols = [ 'age' , 'gender' ])

info_col = [ 'user_id' ]
outcome = 'post_spends'
treatment = 'treat'
model = Matcher ( input_data = df , outcome = outcome , treatment = treatment , info_col = info_col )
results , quality_results , df_matched = model . estimate ()

AA-测试示例

 from hypex import AATest
from hypex . utils . tutorial_data_creation import create_test_data

data = create_test_data ( rs = 52 , na_step = 10 , nan_cols = [ 'age' , 'gender' ])

info_cols = [ 'user_id' , 'signup_month' ]
target = [ 'post_spends' , 'pre_spends' ]

experiment = AATest ( info_cols = info_cols , target_fields = target )
results = experiment . process ( data , iterations = 1000 )
results . keys ()

AB 测试示例

 from hypex import ABTest
from hypex . utils . tutorial_data_creation import create_test_data

data = create_test_data ( rs = 52 , na_step = 10 , nan_cols = [ 'age' , 'gender' ])

model = ABTest ()
results = model . execute (
    data = data ,
    target_field = 'post_spends' ,
    target_field_before = 'pre_spends' ,
    group_field = 'group'
)

model . show_beautiful_result ()

文档

有关该库及其功能的更多详细信息，请访问我们的 ReadTheDocs 文档。

您将找到帮助您开始使用 HypEx 的全面指南和教程，以及高级用例的详细 API 文档。

贡献

加入我们充满活力的社区！有关贡献、报告问题或寻求支持的指南，请参阅我们的贡献指南。

团体规模	32768	65536	131 072	262 144	524288	1 048 576	2 097 152	4 194 304
因果推理	46秒	169秒	没有任何	没有任何	没有任何	没有任何	没有任何	没有任何
做为什么	9秒	19秒	40多岁	77s	159秒	312s	615s	1235秒
HypEx 与分组	2秒	6秒	16秒	42秒	167秒	509s	1932秒	7 248秒
没有分组的 HypEx	2秒	7秒	21秒	101秒	273秒	982s	3 750秒	14 720秒