点击上方“蓝色字体”关注我，选择“设为星标”！
回复“电子书”领取超多经典计算机书籍
引言
在数据科学和机器学习领域，因果推断是一个重要的课题 。旨在从数据中识别变量之间的因果关系，比如说：“如果我做了某件事，会发生什么？”这类问题，而非仅是描述“某件事与其他事情有关联”。
Dowhy 作为一个用于因果推断的Python工具包，提供了一种简单而强大的方法来进行因果推断分析。
介绍
Dowhy 是一个由微软发布的端到端的用于 因果推断（Causal Inference） 的 Python 库。
旨在简化从数据中识别因果关系的过程。Dowhy 提供了一整套统一标准的API，支持从建模到识别，再到因果效应估计和验证的整个工作流程。
主要特点：
- • 基于一定经验假设的基础上，将问题转化为因果图，验证假设。
- • 提供因果推断的接口，整合了两种因果框架。
- • DoWhy支持对后门、前门和工具的平均因果效应的估计，自动验证结果的准确性、鲁棒性较高。
Dowhy 的整个因果推断过程可以划分为四大步骤：
- •
「建模」（model）：利用假设（先验知识）对因果推断问题建模。 - •
「识别」（identify）：在假设（模型）下识别因果效应的表达式（因果估计量）。 - •
「估计」（estimate）：使用统计方法对表达式进行估计。 - •
「反驳」（refute）：使用各种鲁棒性检查来验证估计的正确性。
安装及API使用
接下来，为大家介绍下Dowhy库的安装和基本用法。
包括如何加载数据、定义因果模型、进行因果推断分析等。
安装
Dowhy的安装同其他Python三方库一样，直接使用pip命令安装即可。
pip install dowhy
如果存在依赖，需额外安装pygraphviz库
API使用步骤：
1、导入所需的库， 并加载数据（这里以加载csv文件为例）
# 导入所需的库
import pandas as pd
import dowhy
from dowhy import CausalModel
# 加载数据
data = dowhy.datasets.linear_dataset(
beta=10, # 因果效应值
num_common_causes=5, # 混杂因子，用w表示，作用于干预变量和结果变量
num_instruments=2, # 工具变量，用 Z 表示，作用于干预变量（间接影响结果）
num_samples=10000, # 样本数量
treatment_is_binary=True) # 干预为二元变量，用 v 表示
df = data["df"] # DoWhy 使用 pandas 的 dataframe 来载入数据
print(df.head(5))
输出数据：
Z0 Z1 W0 W1 W2 W3 W4 v0 y
0 0.0 0.478130 0.313025 0.274645 1.794765 -1.551661 1.250724 True 17.033979
1 0.0 0.546833 -0.197845 -2.404349 1.120160 -1.011344 0.812087 True 3.074740
2 0.0 0.874135 1.047078 -0.056460 0.440413 -0.067349 0.970203 True 15.530070
3 0.0 0.913483 0.934282 -1.180582 0.498135 -1.079074 -1.659924 True 5.046809
4 0.0 0.366969 -0.364818 0.630643 -0.330043 0.572139 -0.433893 True 11.004590
2、执行因果推断，建模，生成因果关系图
model=CausalModel(
data = df,
treatment=data["treatment\_name"],
outcome=data["outcome\_name"],
graph=data["gml\_graph"]
)
model.view_model() # 对构建的因果图可视化
from IPython.display import Image, display
display(Image(filename="causal\_model.png"))
利用这张图来识别因果效应（从因果估计量到概率表达式）并进行估计。
3、识别和估计因果关系
识别
可以脱离于数据，仅根据图进行识别，其给出的结果是一个用于计算的「表达式」。
identified_estimand = model.identify_effect()
print(identified_estimand)
输出结果:
Estimand type: EstimandType.NONPARAMETRIC_ATE
### Estimand : 1
Estimand name: backdoor
Estimand expression:
d
─────(E[y|W1,W0,W4,W2,W3])
d[v₀]
Estimand assumption 1, Unconfoundedness: If U→{v0} and U→y then P(y|v0,W1,W0,W4,W2,W3,U) = P(y|v0,W1,W0,W4,W2,W3)
### Estimand : 2
Estimand name: iv
Estimand expression:
⎡ -1⎤
⎢ d ⎛ d ⎞ ⎥
E⎢─────────(y)⋅⎜─────────([v₀])⎟ ⎥
⎣d[Z₁ Z₀] ⎝d[Z₁ Z₀] ⎠ ⎦
Estimand assumption 1, As-if-random: If U→→y then ¬(U →→{Z1,Z0})
Estimand assumption 2, Exclusion: If we remove {Z1,Z0}→{v0}, then ¬({Z1,Z0}→y)
### Estimand : 3
Estimand name: frontdoor
No such variable(s) found!
估计
estimate = model.estimate_effect(identified_estimand,
method_name="backdoor.propensity\_score\_stratification")
print(estimate)
输出结果：
*** Causal Estimate ***
## Identified estimand
Estimand type: EstimandType.NONPARAMETRIC_ATE
### Estimand : 1
Estimand name: backdoor
Estimand expression:
d
─────(E[y|W1,W0,W4,W2,W3])
d[v₀]
Estimand assumption 1, Unconfoundedness: If U→{v0} and U→y then P(y|v0,W1,W0,W4,W2,W3,U) = P(y|v0,W1,W0,W4,W2,W3)
## Realized estimand
b: y~v0+W1+W0+W4+W2+W3
Target units: ate
## Estimate
Mean value: 9.942351552191596
可以通过 target_units 参数来选择因果效应分析的群体，如 ate（群体层面）、att（干预组）、ate（对照组）。也可以指定结果修改变量来分析不同变量对结果的影响。
当然因果关系也可以验证其准确性，DoWhy 中的专业术语叫反驳 ，通过某些类型的混杂因子或随机变量进行干预。
总结
Dowhy是一个非常强大且实用的Python库 ，用于进行因果推断分析。它提供了工具和方法来识别因果关系、估计因果效应，并验证因果推断的可靠性。该库的设计简单易用， 旨在帮助用户进行可解释的因果推断分析。
当然 DoWhy 也有其局限性 。有些情况结果可以会有偏差。虽然它提供了多种工具来测试模型稳健性，但最终结果的可信度还取决于因果模型的合理性和数据质量。
写到最后
感谢您的一路陪伴，用代码构建世界，一起探索充满未知且奇妙的魔幻旅程。如果您对Python编程技巧、好玩实用的开源项目、行业新知趣事和各类技术干货等充满兴趣，那么不要错过未来我为大家奉上的精彩内容！点击 关注 ， 让您的探索学习之旅更加丰富多彩，我们一同成长，一同前行！ 🚀💻📚
求一键三连 ： 点赞、转发、在看
↓推荐关注↓
公众号内回复关键字“ 电子书 ”领取PDF格式的电子书籍( Python入门、异步编程、网络爬虫、高性能编程、数据分析与挖掘实战、Spring、Linux、CSS、VUE、自动化测试、程序员面试宝典 等)。
● 四款国内外远程桌面软件横测：ToDesk、向日葵、TeamViewer、AnyDesk
● 新一代开源语音库CoQui TTS冲到了GitHub 20.5k Star
● 狂揽16.9k star！Umi-OCR文字识别太火了，解决了多少人的痛点！
● Python3 新一代Http请求库Httpx使用（详情版）
如果本文对您有帮助，也请帮忙点个 赞👍 + 在看 哈！❤️
在看你就赞赞我！