该书为Matheus Facure所著《Causal Inference in Python: Applying Causal Inference in the Tech Industry》，姑且翻译为《使用Python进行因果推断：科技产业应用》 详情请查看系列读书笔记《使用Python进行因果推断：科技产业应用》啃书(http://t.csdnimg.cn/o0dpV)

从推荐买什么，看什么电影，到选择看什么新闻，关注什么人，申请什么工作，在线系统已经成为我们日常生活的重要组成部分。一个自然要问的问题是这些社会技术系统如何影响我们的行为。然而，由于这些系统的输出和人的行为之间的复杂的相互作用，确定它们对人的行为的影响是不容易的。 幸运的是，有大量关于因果推理的研究可供我们借鉴。在本教程的第一部分中，我将展示反事实推理对研究社会技术系统的价值，通过展示基于相关性的预测建模如何可能适得其反。然后，我们将讨论因果推断的不同方法，包括随机实验，自然实验，如工具变量和回归不连续，以及观察方法，如分层和匹配。在整个过程中，我们将尝试与图形模型、机器学习和过去在社会科学中的工作联系起来。 下半场将会有更多的实践。我们将通过一个实际的例子来估计一个推荐系统的因果影响，从简单到复杂的方法开始。实践练习的目标是了解不同因果推理方法的缺陷，并获得用混乱的真实世界数据进行因果推理的最佳实践。

因果推理缺失 该存储库包含Mayer等人的文章“的相关的代码和管道。 （2020）。 一般使用 在缺少的属性，即，不完全的混杂因素和协变量的存在估计治疗效果的充分的管道，在提供 。 该管道可以直接应用于自定义数据集（默认为模拟玩具示例），前提是它适合以下格式： X.na ：混杂因素。 大小为#observations x #covariates 。 有或没有缺失值。 W ：治疗分配。 用{0,1}或{FALSE,TRUE}编码的二进制向量（表示{control,treatment} ）。 没有缺失的价值。 Y ：观察到的结果。 数值或二进制向量（如果是二进制，则用{0,1}进行编码）。 没有缺失的价值。 应用：氨甲环酸在颅脑外伤中的作用 该方法已应用于医学问题，即药物氨甲环酸对创伤性脑损伤患者死亡率的影响。 该应用程序使用的数据是从提取的。 该注册表仅应要求提供。 但是，我们在提供了

因果分析

因果推理工具是大多数科学结果背后的基本统计构件。因此，有一个共同商定的开源资源来提出和评估这些资源以及列出目前尚未解决的问题是极为有用的。这本书的内容涵盖了实施因果推理的统计方法所需的基本理论知识和技术技能。 这意味着: 了解编码因果关系的基本语言，了解推理的基本问题和直觉估计的偏差，了解计量经济学方法如何恢复治疗效果，能够计算这些估计值连同估计精度使用统计软件R。 这本书是为教学因果推理的研究生，希望运用因果推理的统计工具。提供了理论结果的演示，但最终目标不是让学生再现它们，而主要是使他们更好地理解他们将使用的工具的基础。重点是理解问题和解决方案，而不是理解后面的数学，即使数学存在并被用来严格地传达概念。所有的概念和估计值都是用一个数值例子和模拟来介绍的，以便每个概念都被说明，并显得更直观的学生。

Judea Pearl的因果推断教材，因果图模型

CausalInference.jl：使用PC算法进行因果推理，图形模型和结构学习

因果推断综述，介绍了因果推断的相关工作，理论基础等，与机器学习的关系，以及在工业界的应用，对于互联网从业者非常有帮助

免责声明 这个项目很稳定，可以长期支持。 它可能包含新的实验代码，其API可能会更改。 因果ML：用于ML进行抬升建模和因果推理的Python包 Causal ML是一个Python软件包，它提供了一套基于最近研究的，使用机器学习算法的提升模型和因果推理方法。 它提供了一个标准界面，允许用户从实验或观察数据中估计条件平均治疗效果（CATE）或个体治疗效果（ITE）。 本质上，它为具有观察特征X用户估计了干预T对结果Y的因果影响，而无需对模型形式做出强烈假设。 典型的用例包括 广告系列定位优化：提高广告系列投资回报率的重要手段是将广告定位到在给定的KPI（例如参与度或销售）方面有良好响应的一组客

因果推理项目 Uri Shalit博士和Rom Gutman先生在此存储了我们的“因果推理简介”课程项目。 在这个项目中，我们试图确定在足球比赛的前半段持球对比赛后半段的目标射门次数的影响。 数据 数据主要来自两个kaggle数据集： 欧洲足球数据库： ： 补充数据库： : 文件 这些是我们使用的代码文件： “ EDA.ipynb”：在开始从事该项目之前，我们使用此笔记本来了解数据集。 dataset_creation.ipynb ：我们使用此笔记本从原始数据集中创建了所需的文件。 ATE_computations.py ：我们使用此代码在几种情况下使用几种算法来计算ATE。 main_analysis.ipynb ：我们使用此笔记本来可视化结果。 注意：在此存储库中找不到主数据库文件，因为它太重了。 您可以从Kaggle下载并添加到数据目录以自己运行存储库。