causal-learn: Python 中的因果发现

Causal-learn（文档，论文）是一个用于因果发现的 Python 包，实现了经典和最先进的因果发现算法，它是 Tetrad 的 Python 翻译和扩展版本。

该包正在积极开发中。我们非常欢迎反馈（问题、建议等）。

包概述

我们的 causal-learn 实现了以下因果发现方法：

基于约束的因果发现方法
基于评分的因果发现方法
基于约束函数因果模型的因果发现方法
隐藏因果表示学习
基于排列的因果发现方法
Granger 因果关系
用于构建自己方法的多种实用工具，如独立性检验、评分函数、图操作和评估

安装

Causal-learn 需要预先安装以下包：

python 3（>=3.7）
numpy
networkx
pandas
scipy
scikit-learn
statsmodels
pydot

（用于可视化）

matplotlib
graphviz

要使用 causal-learn，我们可以使用 pip 安装：

pip install causal-learn

文档

请参阅 causal-learn 文档获取详细教程和用法。

运行示例

对于因果发现中的搜索方法，在 'tests' 目录中有各种运行示例，如 TestPC.py 和 TestGES.py。

对于已实现的模块，如（条件）独立性检验方法，我们提供了单元测试，方便开发您自己的方法。

基准测试

为了方便我们的社区，CMU-CLeaR 小组维护了一个包含真实场景和各种学习任务的基准数据集列表。请参考以下链接：

https://github.com/cmu-phil/example-causal-datasets（由 Joseph Ramsey 维护）
https://www.cmu.edu/dietrich/causality/projects/causal_learn_benchmarks

如果您对高质量的因果数据集有任何建议，请随时告诉我们。我们感谢任何有利于因果关系社区发展的努力。

贡献

如果您发现任何意外情况，请随时提出问题。如果您想为 causal-learn 做出贡献，请创建拉取请求，最好在通过 'tests/' 中的单元测试后进行。我们一直致力于让我们的社区变得更好！

在 Python 中运行 Tetrad

尽管 causal-learn 为一些因果发现算法提供了 Python 实现，但目前在经典的基于 Java 的 Tetrad 程序中还有更多算法。对于希望将 Tetrad 中的任意 Java 代码作为 Python 工作流程一部分的用户，我们强烈建议考虑使用 py-tetrad。这里有一个可重用示例列表，展示了如何轻松地从最全面的 Tetrad Java 代码库中受益。

引用

请按以下格式引用：

@article{zheng2024causal,
  title={Causal-learn: Causal discovery in python},
  author={Zheng, Yujia and Huang, Biwei and Chen, Wei and Ramsey, Joseph and Gong, Mingming and Cai, Ruichu and Shimizu, Shohei and Spirtes, Peter and Zhang, Kun},
  journal={Journal of Machine Learning Research},
  volume={25},
  number={60},
  pages={1--8},
  year={2024}
}