causal-learn基本使用方法

一、前言

自己在使用微软Dowhy和causal-learn后写下此文，希望各位避坑！！！

Causal-learn，由CMU张坤老师主导，多个团队（CMU因果研究团队、广工DMIR实验室、宫明明老师团队和Shohei Shimizu老师团队）联合开发出品的因果发现算法平台。

Causal-learn用Python实现了CMU开发的基于Java的Tetrad因果发现平台（WAIC2020 SAIL 之 L奖），并进一步加入新的算法和功能。其中包含了因果发现的经典算法与API，并且提供了模块化的代码，以方便研究者实现自己的算法。Causal-learn所有模块均基于Python实现，从而避免了传统因果发现库对R/Java的依赖，为Python开发者提供便利。

（总结来说，causal-learn比微软的DoWhy友好太多了！！！）

二、内容

2.1 支持算法

• Constraint-based causal discovery methods

  • PC

  • FCI

  • CD-NOD

• Score-based causal discovery methods

  • GES with the BIC score or generalized score

  • Exact Search

• Causal discovery methods based on constrained functional causal models

  • LiNGAM-based Methods

  • Post-nonlinear causal models

  • Additive noise models

• Hidden causal representation learning

  • Generalized Independence Noise (GIN) condition-based method

• Granger causality

  • Linear granger causality

2.2 独立性测试

• Fisher-z test

• Missing-value Fisher-z test

• Chi-Square test

• Kernel-based conditional independence (KCI) test and independence test

• G-Square test

2.3 评分函数

• BIC score

• BDeu score

• Generalized score with cross validation

• Generalized score with marginal likelihood

三、安装causal-learn

3.1可以通过pip来安装

 pip install causal-learn 

3.2Requirements

• python 3

• numpy

• networkx

• pandas

• scipy

• scikit-learn

• statsmodels

• pydot

(For visualization)

• matplotlib

• graphviz

• pygraphviz (might not support the most recent Mac)

四、用法举例

4.1以pc算法为例

cg = pc(data, alpha, indep_test, stable, uc_rule, uc_priority, mvpc, correction_name, background_knowledge, verbose, show_progress)

4.2参数解释

* data:必须要求numpy.ndarray，格式为(n_samples, n_features)，其中n_samples 是样本数，n_features 是特征数

* alpha:独立性测试的显著性水平，(float) in (0, 1)，Default: 0.05.

* indep_test：独立性测试的方法 Default: ‘fisherz’

* stable:是否执行稳定的图骨架发现，Default: True.

* uc_rule:how unshielded colliders are oriented. Default: 0.

* uc_priority:rule of resolving conflicts between unshielded colliders. Default: 2.

* mvpc:数据是否包含缺失值，若包含，请设置为True. Default: False.

* correction_name:Missing value correction if using missing-value PC

* background_knowledge:背景知识（指定因果边及方向）

* verbose:如果要打印verbose日志输出，请设置为True，Default: False.

* show_progress:如果要在控制台显示算法的进展，则为True。默认情况下. Default: True.

4.3Returns

a CausalGraph object

• cg.G.graph[j,i]=1 and cg.G.graph[i,j]=-1 indicate i –> j;

• cg.G.graph[i,j] = cg.G.graph[j,i] = -1 indicate i — j;

• cg.G.graph[i,j] = cg.G.graph[j,i] = 1 indicates i <-> j.

4.3完整样例

import numpy as np

from causallearn.search.ConstraintBased.PC import pc



from causallearn.utils.cit import fisherz,chisq,gsq,mv_fisherz,kci# 导入不同的独立性测试方法



data_path="TestData/data_discrete_1.txt"



example_data = np.loadtxt(data_path,skiprows=1)# skiprows，跳过读取数据的第一行（标题行）

example_result = pc(example_data,0.05,kci,True,0,-1)



example_result.to_nx_graph()

example_result.draw_nx_graph(skel=False)

4.4运行结果

Green: undirected; Blue: directed; Red: bi-directed

（注意，这个结果图中，没有红色箭头）

五、其它补充

5.1 相关链接

github仓库

开发文档

因果科学算法、框架、数据集汇总

5.2参考

Causal learn使用方法
因果发现工具|causal-learn介绍

author：yewii