Causal-learn，由CMU张坤老师主导，多个团队（CMU因果研究团队、DMIR蔡瑞初老师团队、宫明明老师团队和Shohei Shimizu老师团队）联合开发出品的因果发现算法平台。
Causal-learn用Python实现了CMU开发的基于Java的Tetrad因果发现平台，并进一步加入新的算法和功能。其中包含了因果发现的经典算法与API，并且提供了模块化的代码，以方便研究者实现自己的算法。Causal-learn所有模块均基于Python实现，从而避免了传统因果发现库对R/Java的依赖，为Python开发者提供便利。
先列一下库的相关链接：
GitHub: https://github.com/cmu-phil/causal-learn
文档: https://causal-learn.readthedocs.io/en/latest/
简单使用案例：https://github.com/cmu-phil/causal-learn/tree/main/tests
可以通过pip来实现
pip install causal-learn开始使用causal-learn
causal-learn支持：
- 基于约束的因果发现方法（Constrained-based causal discovery methods）: PC、FCI、CD-NOD算法等；
- 基于评分的因果发现方法（Score-based causal discovery methods）： 包含BIC、BDeu、generalized score等评分的GES算法；
- 基于函数因果模型的因果发现方法（Functional causal models-based causal discovery methods）: LiNGAM及其拓展方法、ANM、PNL等；
- 隐因果表征学习方法（Hidden causal representation learning）：GIN方法；
- 格兰杰因果分析（Granger causal analysis）；
- 多个独立的基础模块，比如独立性测试，评分函数，图操作，评测指标；
- 更多最新的因果发现算法，如gradient-based methods等。
causal-learn为所有模型都提供了简单易用的接口，用户可以通过一行代码在自己的数据上进行因果发现:
pc(data, alpha, indep_test, stable, uc_rule, uc_priority, mvpc, correction_name, background_knowledge, verbose, show_progress)可视化结果与评测
在算法运行结束后，用户可以查看生成的因果图，并通过多种评测指标来与基准图进行对比：
pyd = GraphUtils.to_pydot(G)
pyd.write_png('test.png')
Causal-learn团队正在积极维护与开发算法平台，并持续更新最新的因果发现算法。欢迎大家关注以及提供宝贵意见！如果有问题或者建议，请联系我们。
建议与反馈: Yujia Zheng：yujiazh@cmu.edu，Wei Chen：chenweiDelight@gmail.com
