• 机器学习
• 深度学习
• AutoML
• 大数据
• 后端

本文以 H2O-3 开源仓库中h2o-docs/src/product/data-science/algo-params/start_column.rst文档为骨架，系统讲解 Cox 比例风险模型（CoxPH）的start_column参数：它的语义、默认行为、与stop_column的配套约束、R/Python 两种客户端的完整调用方式，以及底层源码中的校验与时间离散化实现。读完本文，你将能够在 H2O-3 中正确配置左截断（left-truncated）生存数据，并理解Surv(start, stop, event)公式是如何从参数推导出来的。

参数概览：一个位于“源数据”中的整数时间列

start_column是 H2O CoxPH 模型专属的参数，用于指定源数据集中表示起始时间（start time）的整数列名。它有以下基本属性：

• 可用算法：仅 CoxPH（Cox Proportional Hazards）
• 是否超参数：否（不参与网格搜索调参）
• 数据类型：字符串（列名字符串），在 Python 客户端中接受None或str
• 默认值：None（未指定时模型退化为仅使用stop_column的经典 CoxPH 形式）

在 h2o-algos/src/main/java/hex/coxph/CoxPHModel.java 中，参数被定义为模型参数类的两个成员字段：

public String _start_column; public String _stop_column;

start_column与stop_column在模型中作为一对“时间边界”配合使用。若提供了start_column，则要求每一行中start_column的值必须严格小于stop_column的值（即start < stop）。这一约束在文档、初始化校验和底层离散化任务中都有明确体现，下文将逐一展开。

适用场景：为什么生存分析需要起始时间

经典的 Cox 模型只需要一个“停止时间”列（随访结束时间）。但在实际队列研究中，个体往往并非从时间零点开始进入观察——例如受试者可能在研究进行到一半时才被招募，或者个体在暴露风险之前的某段时间不应计入风险集（risk set）。这类数据在流行病学中被称为**左截断（left truncation）**或计数过程（counting process）形式的数据。

此时数据中每个观测具有形如(start, stop, event)的三元组结构：

• start：个体进入观察的时间点；
• stop：个体退出观察的时间点（事件发生或删失）；
• event：事件发生标志（0/1）。

start_column正是用来告诉 H2O 哪个列扮演start的角色。当提供了起始时间后，模型公式会自动推导为Surv(start, stop, event) ~ ...，底层实现会将该个体在start之前的时间段从风险集中排除，从而得到正确的偏似然估计。

校验规则：从源码看 start_column 的合法性检查

start_column的校验发生在 h2o-algos/src/main/java/hex/coxph/CoxPH.java 的init(boolean expensive)方法中。源码明确划分了三级检查：

第一级：列必须存在于训练集中

if (_parms._start_column != null) { Vec startVec = _parms.startVec(); if (startVec == null) { error("start_column", "start_column " + _parms._start_column + " not found in the training frame"); }

若指定的列名在训练 Frame 中不存在，模型会直接报错start_column ... not found in the training frame。

第二级：列类型必须是数值型

} else if (!startVec.isNumeric()) { error("start_column", "start time must be undefined or of type numeric"); }

start_column必须是整数/数值列。类别（factor）列不被接受，错误信息为start time must be undefined or of type numeric。注意这里“undefined”特指start_column = NULL（不提供）是允许的。

第三级：整体上 start 必须小于 stop

if (_parms.startVec() != null && _parms.stopVec() != null) { if (_parms.startVec().min() >= _parms.stopVec().max()) error("start_column", "start times must be strictly less than stop times"); }

当两个时间列都存在时，H2O 会检查start列的全局最小值是否大于等于stop列的全局最大值——如果min(start) >= max(stop)，则说明数据整体违背了“start 必须严格小于 stop”的原则，直接拒绝训练。

除了这三项初始化检查，每一行的约束在数据预处理阶段还会被再次强制校验：DiscretizeTimeTask（位于同一文件的 CoxPH.java）在逐行离散化时间时执行

final double startTime = cs[0].atd(i); if (startTime >= stopTime) throw new IllegalArgumentException("start times must be strictly less than stop times");

也就是说，即使初始化时的全局检查通过，任何一行的start >= stop都会在运行期抛出一个IllegalArgumentException，异常信息同样是start times must be strictly less than stop times。

从模型构建的角度，start_column和stop_column还参与“非特征列”的计数：在 CoxPH.java 中，

int nonFeatureColCount = (_parms._start_column!=null?1:0) + (_parms._stop_column!=null?1:0); if (_train.numCols() < (2 + nonFeatureColCount)) error("_train", "Training data must have at least 2 features (incl. response).");

时间列不会被当作预测特征参与回归，这与event响应列一样，属于从特征集合中剔除的特殊列。

公式推导：Surv(start, stop, event)是如何生成的

在 CoxPHModel.java 的toFormula(Frame f)方法中，模型会根据是否提供start_column生成 R 风格的生存公式：

sb.append("Surv("); if (_start_column != null) { sb.append(_start_column).append(", "); } sb.append(_stop_column).append(", ").append(_response_column); sb.append(") ~ ");

• 指定了start_column = "start"时：生成Surv(start, stop, event) ~ age；
• 未指定start_column（NULL）时：公式退化为Surv(stop, event) ~ age。

这正是 R 中survival包Surv()函数的左截断语法Surv(start, stop, event)，H2O 在客户端层面对标了该语义。测试用例 h2o-algos/src/test/java/hex/coxph/CoxPHTest.java 和 CoxPHTest.java 分别断言了两种形态：

assertEquals("Surv(start, stop, event) ~ age", parms.toFormula(fr)); // 有 start_column assertEquals("Surv(stop, event) ~ age", parms.toFormula(fr)); // 无 start_column

另外，responseCols()（CoxPHModel.java）会把start_column与stop_column、response_column一起视为响应相关列，而startVec()（CoxPHModel.java）则直接通过train().vec(_start_column)取出对应向量供上层使用。

底层实现：起始时间如何进入偏似然计算

start_column并非简单地“多一列特征”，它在 CoxPH 的核心计算中参与两个关键环节。

时间离散化（DiscretizeTimeTask）。H2O 的 CoxPH 将连续时间映射到排序后的离散时间点上。在 CoxPH.java 中，对每一行：

final double stopTime = cs[cs.length - 1].atd(i); final int t2 = Arrays.binarySearch(_time, stopTime); ... final double startTime = cs[0].atd(i); if (startTime >= stopTime) throw new IllegalArgumentException("start times must be strictly less than stop times"); final int t1c = Arrays.binarySearch(_time, startTime); final int t1 = t1c >= 0 ? t1c + 1 : -t1c - 1;

停止时间t2直接映射到它所在的时间点；起始时间t1则被映射为严格大于 start 的下一个时间点（t1c + 1）。从源码结构可以推断，这一设计正是左截断语义的体现：个体从start之后才进入风险集，start之前的风险时间段被排除在外。无start_column时，DiscretizeTimeTask只处理停止时间列（assert cs.length == (_has_start_column ? 2 : 1)）。

风险集计数。在 CoxPH.java 的calcCounts中：

if (p._start_column == null) for (int t = o._n_risk.length - 2; t >= 0; --t) o._n_risk[t] += o._n_risk[t + 1];

当没有起始时间列时，风险集从后往前累加（所有生存到 t 时刻的个体始终在风险集中）；而当提供了start_column后，这一累加被跳过——因为每个个体只在(start, stop]区间内属于风险集，必须按各自的时间区间独立计算。这正是“带左截断的 Cox 回归”与普通 Cox 回归在实现上的分水岭。

完整实战示例：heart 数据集的左截断 Cox 回归

原文档（start_column.rst）以公开的 heart 数据集为例给出了 R 与 Python 两种客户端的完整示例。该数据集包含start、stop、event等列，是演示计数过程（counting process）Cox 回归的经典用例；仓库测试 CoxPHTest.java 也使用了同一数据集。

R 客户端示例

library(h2o) h2o.init() # import the heart dataset heart <- h2o.importFile("http://s3.amazonaws.com/h2o-public-test-data/smalldata/coxph_test/heart.csv") # set the predictor name and response column x <- "age" y <- "event" # set the start and stop columns start <- "start" stop <- "stop" # train your model heart_coxph <- h2o.coxph(x = x, event_column = y, start_column = start, stop_column = stop, training_frame = heart) # view the model details heart_coxph Model Details: ============== H2OCoxPHModel: coxph Model ID: CoxPH_model_R_1527700369755_2 Call: "Surv(start, stop, event) ~ age" coef exp(coef) se(coef) z p age 0.0307 1.0312 0.0143 2.15 0.031 Likelihood ratio test = 5.17 on 1 df, p = 0.023 n = 172, number of events = 75

在 R 客户端 h2o-r/h2o-package/R/coxph.R 的函数签名中，start_column = NULL是默认值，且当x缺省时，start_column与stop_column、event_column会被自动从预测变量集合中排除（见 coxph.R 的参数注释）。参数最终通过parms$start_column <- start_column写入请求参数（coxph.R）。

Python 客户端示例

import h2o from h2o.estimators.coxph import H2OCoxProportionalHazardsEstimator h2o.init() # import the heart dataset heart = h2o.import_file("http://s3.amazonaws.com/h2o-public-test-data/smalldata/coxph_test/heart.csv") # set the parameters heart_coxph = H2OCoxProportionalHazardsEstimator(start_column="start", stop_column="stop", ties="breslow") # train your model heart_coxph.train(x="age", y="event", training_frame=heart) # view the model details heart_coxph

在 Python 客户端 h2o-py/h2o/estimators/coxph.py 中，start_column是一个带类型校验的属性：

@property def start_column(self): """Start Time Column. Type: ``str``. """ return self._parms.get("start_column") @start_column.setter def start_column(self, start_column): assert_is_type(start_column, None, str) self._parms["start_column"] = start_column

assert_is_type(start_column, None, str)保证该参数只能是None或字符串列名，任何其他类型都会在客户端被立即拦截。注意 Python 示例中还使用了ties="breslow"，这是并列事件的处理方法（可选"efron"/"breslow"），与start_column相互独立。

测试佐证：有/无起始时间的模型行为对比

仓库单元测试 h2o-algos/src/test/java/hex/coxph/CoxPHTest.java 对start_column的正反两种用法都有覆盖：

• testCoxPHEfron1Var（CoxPHTest.java）：设置parms._start_column = "start"，同时通过_ignored_columns忽略id、year、surgery、transplant，得到Surv(start, stop, event) ~ age，并校验了系数0.0307077486571334、样本量n = 172、事件数total_event = 75、一致性指数concordance ≈ 0.5806等输出。
• testCoxPHEfron1VarNoStart（CoxPHTest.java）：parms._start_column = null，并把start列也加入_ignored_columns，公式变为Surv(stop, event) ~ age，对应系数变为0.0289468187293998、concordance ≈0.5671。

对比可见，同一份 heart 数据在“是否提供起始时间”两种设定下得到的系数与一致性指数明显不同，说明start_column确实实质性地改变了偏似然构造，而非仅改变公式字符串。此外，GridTest与GenericModelTest中也引用了start_column，用于验证其与网格搜索、通用模型的兼容性。

使用注意事项

综合文档与源码，使用start_column时请留意以下几点：

1. 列名必须真实存在且为数值型：指定不存在的列会报start_column ... not found in the training frame；指定字符串/类别列会报start time must be undefined or of type numeric。
2. 必须逐行满足start < stop：不仅初始化时会做全局范围检查（min(start) >= max(stop)直接报错），每行数据在时间离散化阶段也会强制校验，任何一行违规都会抛出IllegalArgumentException。预处理数据时应先清洗掉start >= stop的观测。
3. start_column不是超参数：它描述数据的结构信息而非模型配置，不参与超参数搜索（文档明确标注Hyperparameter: no）。
4. 与stop_column配套理解：stop_column是必填项；只有同时提供了start_column，模型才会进入左截断/计数过程的计算路径（stop_column 文档 中对两者约束的描述互为镜像）。
5. 时间列不参与建模：start_column、stop_column与event_column一样被排除在特征集合之外，仅用于构造生存响应，不要把时间列误放进x预测变量中。

掌握了以上语义、校验与实现细节，你就可以在 H2O-3 中正确处理左截断生存数据，并理解start_column从客户端参数到Surv(start, stop, event)偏似然计算的全链路行为。

• 机器学习
• 深度学习
• AutoML
• 大数据
• 后端