Teradata Package for Python Function Reference | 17.10 - CoxPH - Teradata Package for Python - Look here for syntax, methods and examples for the functions included in the Teradata Package for Python.

Teradata® Package for Python Function Reference

Product
Teradata Package for Python
Release Number
17.10
Published
April 2022
Language
English (United States)
Last Update
2022-08-19
lifecycle
previous
Product Category
Teradata Vantage

 
teradataml.analytics.mle.CoxPH = class CoxPH(builtins.object)
     Methods defined here:
__init__(self, data=None, feature_columns=None, time_interval_column=None, event_column=None, threshold=1e-09, max_iter_num=10, categorical_columns=None, accumulate=None, data_sequence_column=None)
DESCRIPTION:
    The CoxPH function is named for the Cox proportional hazards model, a 
    statistical survival model. The function estimates coefficients by 
    learning a set of explanatory variables. The output of the CoxPH 
    function is input to the function CoxHazardRatio and CoxSurvFit.
 
 
PARAMETERS:
    data:
        Required Argument.
        Specifies the name of the teradataml DataFrame that contains the 
        input parameters.
    
    feature_columns:
        Required Argument.
        Specifies the names of the input teradataml DataFrame columns that 
        contain the features of the input parameters.
        Types: str OR list of Strings (str)
    
    time_interval_column:
        Required Argument.
        Specifies the name of the column in input_table that contains the 
        time intervals of the input parameters; that is, end_time - 
        start_time, in any unit of time (for example, years, months, or days).
        Types: str
    
    event_column:
        Required Argument.
        Specifies the name of the column in input_table that contains 1 if 
        the event occurred by end_time and 0 if it did not. (0 represents 
        survival or right-censorship.) The function ignores values other than 
        1 and 0.
        Types: str
    
    threshold:
        Optional Argument.
        Specifies the convergence threshold. 
        Default Value: 1.0E-9
        Types: float
    
    max_iter_num:
        Optional Argument.
        Specifies the maximum number of iterations that the function runs 
        before finishing, if the convergence threshold has not been met. 
        Default Value: 10
        Types: int
    
    categorical_columns:
        Optional Argument.
        Specifies the names of the input teradataml DataFrame columns that 
        contain categorical predictors. Each categorical_column must also be 
        a feature_column. By default, the function detects the categorical 
        columns by their SQL data types.
        Types: str OR list of Strings (str)
    
    accumulate:
        Optional Argument.
        Specifies the names of the columns in input_table that the function 
        copies to linear_predictor_table.
        Types: str OR list of Strings (str)
    
    data_sequence_column:
        Optional Argument.
        Specifies the list of column(s) that uniquely identifies each row of 
        the input argument "data". The argument is used to ensure 
        deterministic results for functions which produce results that vary 
        from run to run.
        Types: str OR list of Strings (str)
 
RETURNS:
    Instance of CoxPH.
    Output teradataml DataFrames can be accessed using attribute
    references, such as CoxPHObj.<attribute_name>.
    Output teradataml DataFrame attribute names are:
        1. coefficient_table
        2. linear_predictor_table
        3. output
 
 
RAISES:
    TeradataMlException
 
 
EXAMPLES:
    # Load the data to run the example
    load_example_data("coxph", "lungcancer")
 
    # Create teradataml DataFrame objects.
    lungcancer = DataFrame.from_table("lungcancer")
 
    # Example 1 -
    coxph_out = CoxPH(data = lungcancer,
                     feature_columns = ["trt","celltype","karno","diagtime","age","prior"],
                     time_interval_column = "time_int",
                     event_column = "status",
                     categorical_columns = ["trt","celltype","prior"]
                     )
 
    # Print the results
    print(coxph_out.coefficient_table)
    print(coxph_out.linear_predictor_table)
    print(coxph_out.output)
__repr__(self)
Returns the string representation for a CoxPH class instance.
get_build_time(self)
Function to return the build time of the algorithm in seconds.
When model object is created using retrieve_model(), then the value returned is
as saved in the Model Catalog.
get_prediction_type(self)
Function to return the Prediction type of the algorithm.
When model object is created using retrieve_model(), then the value returned is
as saved in the Model Catalog.
get_target_column(self)
Function to return the Target Column of the algorithm.
When model object is created using retrieve_model(), then the value returned is
as saved in the Model Catalog.
show_query(self)
Function to return the underlying SQL query.
When model object is created using retrieve_model(), then None is returned.