资源介绍
电子书）
电子书格式: pdf
本书是面向机器学习工程师、数据科学家的实战指南，通过 Python 生态工具系统讲解因果推断与发现的核心理论、方法及落地流程，帮助读者突破传统关联式机器学习的局限，掌握从数据中挖掘因果关系的能力。
内容介绍
一、书籍定位与核心价值
在当下的机器学习领域，多数模型仍局限于捕捉变量间的关联关系，难以回答 “如果改变某一变量会产生什么影响” 这类决策性问题。而因果推断作为连接数据与决策的关键技术，能帮助解决混淆变量干扰、反事实推理等核心难题，在营销优化、医疗诊断、政策评估等场景中具有不可替代的价值。
本书填补了因果推断理论与 Python 实战之间的鸿沟，以 “理论 + 代码” 双驱动的方式，将朱迪亚・珀尔的因果理论体系与现代机器学习工具相结合，让读者既能理解因果阶梯、结构因果模型等核心概念，又能通过 DoWhy、EconML 等开源库快速落地因果分析项目。其核心价值在于打破 “数据仅能预测” 的认知，赋予读者从 “关联” 走向 “因果” 的分析能力，为更可靠的决策提供技术支撑。
二、核心内容框架
全书分为三个核心部分，层层递进覆盖因果推断与发现的完整知识体系：
1. 因果基础入门（第 1-5 章）
这一部分从因果关系的本质出发，搭建扎实的理论基础。首先回顾因果关系的发展历程，通过冰淇淋销量与溺水事故、药物疗效等生活化案例，揭示关联关系与因果关系的差异，引出混淆变量、辛普森悖论等关键问题。
核心内容包括朱迪亚・珀尔提出的 “因果阶梯” 理论 —— 将因果推理分为关联、干预、反事实三个层级，分别对应 “观察”“行动”“想象” 三种认知能力。同时详细讲解线性回归的因果视角、结构因果模型（SCM）、有向无环图（DAG）等基础工具，以及分叉、链状、对撞三种基本图形结构的统计特性，为后续因果推断提供理论支撑。
2. 因果推断实践（第 6-11 章）
这是本书的实战核心，聚焦如何从数据中准确估计因果效应。首先介绍 d - 分离、估计量等关键概念，以及后门准则、前门准则、工具变量等经典因果识别方法，让读者掌握 “如何从图形模型中找到有效估计路径”。
随后通过 DoWhy 库的四步流程（问题建模、估计量识别、效应估计、模型验证），演示线性回归、匹配法、倾向得分加权等基础方法的实现。重点讲解元学习器（S - 学习器、T - 学习器、X - 学习器）、双重稳健方法、双重机器学习（DML）、因果森林等先进算法，解决异质性处理效应估计等复杂问题。此外，还拓展了因果推断在深度学习、自然语言处理、时间序列分析中的应用，展示如何处理文本数据中的虚假关联、构建因果 BERT 模型等前沿方向。
3. 因果发现技术（第 12-15 章）
这一部分聚焦 “如何从数据中自动发现因果结构”，介绍因果发现的四大类方法：基于约束的方法（如 PC 算法）、基于分数的方法（如 GES 算法）、功能因果发现（如 LiNGAM）和基于梯度的方法。通过 gCastle、Causica 等库的实战案例，演示如何结合专家知识与自动化算法，从观测数据或干预数据中挖掘变量间的因果关系。
最后，本书还探讨了因果推断的商业落地路径、未来发展趋势（如因果基准测试、因果数据融合），并提供了从问题定义到假设验证的完整项目实施流程，帮助读者将因果技术转化为实际价值。
三、核心特色
实战导向：所有理论均配套 Python 代码示例，基于 Jupyter Notebook 提供可复现的实验环境，涵盖 DoWhy、EconML、gCastle 等主流因果库的使用方法，读者可直接复用代码解决实际问题。
循序渐进：从基础的线性回归因果解释，到复杂的元学习器、因果森林，再到前沿的因果发现算法，内容难度逐步提升，兼顾初学者与进阶用户的需求。
场景丰富：结合营销预算优化、药物疗效评估、GPS 使用与空间记忆关系等真实场景，让读者理解不同场景下的因果推断挑战与解决方案。
理论扎实：系统梳理珀尔的因果理论体系，清晰解释因果推断的核心假设（如 positivity、可交换性、模块化），帮助读者规避实际应用中的常见陷阱。
四、适用人群
具备 3 年以上经验的机器学习工程师、数据科学家，希望拓展因果机器学习技能；
熟悉 R 等其他技术栈，想要转向 Python 进行因果推断的从业者；
关注决策优化的技术创业者，希望通过因果分析构建产品竞争优势；
对因果关系、可解释性机器学习感兴趣的研究人员。
五、技术依赖与环境配置
本书代码基于 Python 3.9 开发，核心依赖库包括 DoWhy（0.8）、EconML（0.12.0）、gCastle（1.0.3）等，支持 Windows、macOS、Linux 系统。推荐使用 Conda 进行环境配置，确保依赖库版本兼容性，部分可视化功能需额外安装 Graphviz，GPU 加速场景需配置 CUDA 驱动。所有代码已在 Windows 11（64 位）环境中测试通过，读者可通过 GitHub 仓库获取完整示例代码与数据集。Causal Inference and Discovery in Python