你可能在医学论文、临床试验报告，甚至药企的疗效评估里见过“Kaplan-Meier曲线”——那条带阶梯状下降的折线图。它不讲平均寿命，而是回答一个更实在的问题：患者在治疗后，活过3个月、6个月、1年的概率分别是多少？这个过程，就叫生存分析。
生存分析不是算“能活多久”，而是看“还活着的概率”
举个例子：某医院收集了80名肺癌患者的随访数据，有的病人半年后复发，有的两年后失访（电话打不通、搬走了），还有的至今健在。传统统计方法会把“失访”当成“死亡”或直接删掉，但生存分析尊重现实——它把“没死也没失联”的人记作“删失数据”，照样参与计算。
R里跑一次生存分析，其实就三行代码
先装好两个核心包：
install.packages("survival")
install.packages("survminer")假设有份数据框 lung（R自带的肺癌数据集），含两列关键字段：time（生存时间，单位天）和 status（1=死亡，0=删失）。画图只需：
library(survival)
library(survminer)
fit <- survfit(Surv(time, status) ~ 1, data = lung)
ggsurvplot(fit, risk.table = TRUE)运行完，一张带风险表的生存曲线图就弹出来了。横轴是时间，纵轴是“仍存活的概率”，曲线每下一个台阶，就代表有人死亡。
想比两组效果？加个分组变量就行
比如对比男性和女性患者的生存差异，只要把公式改成：
fit_sex <- survfit(Surv(time, status) ~ sex, data = lung)再用 ggsurvplot 画图，两条线自动分开，还能加 log-rank 检验P值：
ggsurvplot(fit_sex, pval = TRUE, legend.labs = c("男", "女"))看到P<0.05，说明性别对生存时间的影响在统计上是靠谱的，不是碰巧。
别被术语吓住，生存分析就是“带状态的时间统计”
它不像机器学习要调参，也不像深度学习得搭GPU。你只需要理清三件事：谁活了多久、谁什么时候退出了观察、你想比较哪几类人。R的 survival 包把数学藏在背后，你敲几行命令，就能把医生关心的中位生存期、风险比（HR）、95%置信区间全吐出来。笔记本电脑开RStudio，5分钟就能跑通一个真实案例。