4. 因果推断库：DoWhy、EconML、CausalNex 的安装与基础配置

在层级预测任务中引入因果特征提取，需要依赖成熟的因果推断工具库。本章聚焦三个主流 Python 库——DoWhy（因果图建模与识别）、EconML（异质性处理效应估计）和 CausalNex（结构学习与因果发现）——的安装验证与基础配置。正确的环境搭建是后续因果图构建、特征筛选与性能调优的前提。

4.1 库功能定位与选型对比

三个库在因果推断流程中承担不同角色，下表从核心能力、适用场景和依赖复杂度三个维度进行对比：

4.2 环境准备与基础依赖

在安装因果推断库之前，建议先创建独立的 Python 虚拟环境，并安装基础科学计算栈：

# 创建虚拟环境（推荐 Python 3.10）
python -m venv causal_env
source causal_env/bin/activate   # Linux/Mac
# causal_env\Scripts\activate    # Windows

# 安装基础依赖
pip install --upgrade pip
pip install numpy pandas scikit-learn matplotlib

4.3 DoWhy 安装与验证

DoWhy 依赖 Graphviz 系统库用于因果图渲染。安装分两步：

1. 系统级安装 Graphviz：
   • Ubuntu/Debian：sudo apt-get install graphviz libgraphviz-dev
   • macOS：brew install graphviz
   • Windows：从 graphviz.org 下载安装包，并将 bin/ 目录加入系统 PATH
2. 安装 DoWhy：

   pip install dowhy

验证安装：

import dowhy
from dowhy import CausalModel
print(f"DoWhy version: {dowhy.__version__}")

# 快速测试：创建简单因果图
import pandas as pd
data = pd.DataFrame({
    'X': [1, 2, 3, 4, 5],
    'Y': [2, 4, 6, 8, 10],
    'Z': [0, 1, 0, 1, 0]
})
model = CausalModel(
    data=data,
    treatment='X',
    outcome='Y',
    common_causes=['Z']
)
print("DoWhy 基础模型创建成功")

4.4 EconML 安装与验证

EconML 专注于异质性处理效应估计，安装相对简洁：

pip install econml

若需使用深度学习方法（如 DRLearner），建议同时安装 PyTorch：

pip install torch --index-url https://download.pytorch.org/whl/cpu  # CPU 版
# 或 GPU 版：pip install torch

验证安装：

import econml
from econml.dml import LinearDML
print(f"EconML version: {econml.__version__}")

# 快速测试：生成模拟数据并拟合
import numpy as np
np.random.seed(42)
n = 1000
X = np.random.normal(size=(n, 3))
T = np.random.binomial(1, 0.5, size=n)
Y = T * (1 + X[:, 0]) + np.random.normal(size=n)

est = LinearDML()
est.fit(Y, T, X=X)
print(f"平均处理效应 (ATE): {est.ate():.3f}")

4.5 CausalNex 安装与验证

CausalNex 依赖 PyTorch 和 pgmpy，安装时需注意版本对齐：

# 先安装 PyTorch（推荐 CPU 版以降低依赖复杂度）
pip install torch --index-url https://download.pytorch.org/whl/cpu

# 安装 CausalNex
pip install causalnex

验证安装：

import causalnex
from causalnex.structure import StructureModel
print(f"CausalNex version: {causalnex.__version__}")

# 快速测试：创建空结构模型并添加边
sm = StructureModel()
sm.add_edge("A", "B")
sm.add_edge("B", "C")
print(f"结构模型节点数: {len(sm.nodes)}，边数: {len(sm.edges)}")

4.6 库间依赖关系与配置总览

下图展示了三个库在因果推断流程中的协作关系，以及各自的关键依赖组件：

4.7 常见安装问题与解决方案

根据实际部署经验，以下列出三个库安装时的高频问题及对应处理方式：

4.8 基础配置验证清单

完成安装后，建议执行以下验证脚本，确保三个库均能正常加载并执行基础操作：

# verify_causal_libs.py
import sys

def check_lib(name, import_stmt, version_attr='__version__'):
    try:
        lib = __import__(import_stmt)
        version = getattr(lib, version_attr, 'unknown')
        print(f"[OK] {name} version: {version}")
        return True
    except Exception as e:
        print(f"[FAIL] {name}: {e}")
        return False

results = []
results.append(check_lib("DoWhy", "dowhy"))
results.append(check_lib("EconML", "econml"))
results.append(check_lib("CausalNex", "causalnex"))

# 额外检查关键子模块
try:
    from dowhy import CausalModel
    print("[OK] DoWhy CausalModel 可导入")
except ImportError as e:
    print(f"[FAIL] DoWhy CausalModel: {e}")

try:
    from econml.dml import LinearDML
    print("[OK] EconML LinearDML 可导入")
except ImportError as e:
    print(f"[FAIL] EconML LinearDML: {e}")

try:
    from causalnex.structure import StructureModel
    print("[OK] CausalNex StructureModel 可导入")
except ImportError as e:
    print(f"[FAIL] CausalNex StructureModel: {e}")

print(f"\n总计: {sum(results)}/3 库安装成功")
if all(results):
    print("环境配置完成，可进入因果特征提取阶段。")
else:
    print("请根据错误信息修复依赖后重试。")

4.9 本章小结

本章完成了 DoWhy、EconML 和 CausalNex 三个因果推断库的安装与基础配置验证。核心要点包括：

• 安装顺序： 系统依赖（Graphviz）→ PyTorch → 因果库，避免版本冲突。
• 版本对齐： Python 3.9–3.11 兼容性最佳；CausalNex 对 PyTorch 版本敏感。
• 验证方法： 使用统一验证脚本检查库版本和子模块可导入性。
• 协作流程： CausalNex 做因果发现 → DoWhy 做识别估计 → EconML 做异质性分析。

环境就绪后，下一阶段将进入因果图构建与层级特征提取的核心内容。