Python 生态里能用的因果库有很多选哪个往往要看你对模型的理解程度，以及项目对“可解释性”的要求。这篇文章将对比了六个目前社区中最常用的因果推断库：Bnlearn、Pgmpy、CausalNex、DoWhy、PyAgrum 和 CausalImpact。
贝叶斯因果模型
在因果推断里所有变量可以粗略分成两种：驱动变量（driver variables）和乘客变量（passenger variables）。驱动变量会直接影响结果，而乘客变量虽然跟结果有关但并不直接影响结果。区分这两者是整个因果分析的关键。比如在预测性维护或设备故障分析里，如果能识别出“导致故障”的那几个变量，后续的监控与优化策略就能有针对性地落地。
有时候，看似无关的变量其实藏着重要的效应。比如说假设某个工厂的发动机故障率在不同地区差异很大，你可能认为这是地理差异，其实真正的原因可能是工厂里湿度、保养周期或人员经验这样的隐含驱动因子。因果推断的价值就在这里——它帮助区分“看上去相关”和“真正原因”的区别。
相比纯预测模型，因果推断更像是在回答“为什么”，而不是“多少”。通过找出系统中真正起作用的变量，才能解释模型的行为，也才能对系统做出有效干预。
https://avoid.overfit.cn/post/dc97c8f709bc4c56bfec860dd800d75c