HypEx下載 - HypEx原始碼下載

HypEx

其他源碼

v0.1.5

下載

HypEx：高階因果推理和 AB 測試工具包

介紹

HypEx（假設和實驗）是一個綜合庫，旨在簡化資料分析中的因果推理和 AB 測試流程。 HypEx 專為提高效率和效果而開發，採用魯賓因果模型 (RCM) 來匹配密切相關的對，確保在估計治療效果時進行公平的群體比較。

HypEx 擁有完全自動化的流程，能夠熟練地計算平均治療效果 (ATE)、治療組的平均治療效果 (ATT) 和對照組的平均治療效果 (ATC)。它提供了用於執行這些估計值的標準化介面，從而深入了解幹預措施對不同人群亞組的影響。

除了因果推理之外，HypEx 還配備了強大的 AB 測試工具，包括雙重差分 (Diff-in-Diff) 和 CUPED 方法，以嚴格測試假設並驗證實驗結果。

特徵

Faiss KNN 匹配：利用 Faiss 進行高效、精確的最近鄰搜索，與 RCM 對齊以實現最佳配對匹配。
資料過濾器：內建異常值和 Spearman 過濾器可確保匹配的資料品質。
結果驗證：提供多種驗證方法，包括隨機處理、特徵和子集驗證。
資料測試：結合 SMD、KS、PSI 和重複檢定來確認效果估計的穩健性。
特徵選擇：採用 LGBM 和 Catboost 特徵選擇來確定對因果分析最有影響力的特徵。
AB 測試套件：具有一套用於全面假設評估的 AB 測試工具。
分層支援：對組別進行分層以進行細緻的分析
權重支援：透過為特徵分配自訂權重來增強您的分析能力，提高匹配精度以滿足您的特定研究需求

警告

HypEx 中的某些功能可以幫助解決特定的輔助任務，但無法自動化實驗設計決策。下面，我們將討論 HypEx 中實現但不自動化實驗設計的功能。

注意：對於匹配，建議不要使用超過 7 個特徵，因為這可能會導致維數災難，使結果不具代表性。

特徵選擇

特徵選擇模擬了特徵對於目標逼近準確度的重要性。但不排除特徵被忽略的可能性，特徵對目標描述的複雜影響，或特徵從業務邏輯角度的意義。如果存在資料外洩，演算法將無法正常運作。

選擇功能時要考慮的要點：

資料外洩——這些不應該出現。
對治療分佈的影響 - 特徵不應影響治療分佈。
目標應該可以用特徵來描述。
應包括對目標有重大影響的所有特徵。
功能的業務原理。
特徵選擇功能對於解決這些任務很有用，但它並不能解決這些任務，也不能免除使用者對其選擇的責任，也不能證明其合理性。

連結到 ReadTheDocs

隨機治療

隨機治療演算法隨機打亂實際治療。預計治療對目標的效果將接近0。

這些方法不足以準確地標記實驗是否成功。

連結到 ReadTheDocs

安裝

pip install -U hypex

快速啟動

在這裡探索使用範例和教學。

搭配範例

 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-測試範例

 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 測試範例

 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 ()

文件

有關該庫及其功能的更多詳細信息，請訪問我們的 ReadTheDocs 文件。

您將找到幫助您開始使用 HypEx 的全面指南和教程，以及高級用例的詳細 API 文件。

貢獻

加入我們充滿活力的社群！有關貢獻、報告問題或尋求支援的指南，請參閱我們的貢獻指南。

團體規模	32768	65536	131 072	262 144	524288	1 048 576	2 097 152	4 194 304
因果推理	46秒	169秒	沒有任何	沒有任何	沒有任何	沒有任何	沒有任何	沒有任何
做為什麼	9秒	19秒	40多歲	77s	159秒	312s	615s	1235秒
HypEx 與分組	2秒	6秒	16秒	42秒	167秒	509s	1932秒	7 248秒
沒有分組的 HypEx	2秒	7秒	21秒	101秒	273秒	982s	3 750秒	14 720秒