R 如何根据部件故障数据估计特征的威布尔危险率函数？

机械部件连续运行，直到其失败（测试失败）。我们有这样一个实验的数据

数据字典

年龄-->以分钟为单位的时间

每-->寿命/总故障时间

寿命状态-->故障==1和0==无故障（注意：我们只有1个 记录寿命（状态=1，即失败时的时间/年龄）

功能1-->从组件获取的协变量/传感器读数

注意：只有数据的开头和结尾显示图像

根据这些数据，如何计算R或Python中feature1变量的Weibull危险率函数？

我尝试了下面的代码

代码（参考）

---

fit\u dist这是不可能的。你有一个观察；威布尔分布有两个参数。你可以尝试指数分布（有固定的危险）；您不需要任何代码：危险或lambda将为每分钟
1/1730
。我想计算feature1变量的危险故障率。我用更多的解释更新了这个问题。那么这里计算的单变量cdf是多少？在您引用的示例中，有多个时间观察（每个都有一个隐式事件）。你只有一个活动。来吧，大家。让我们结束这个问题。这甚至都不是主题。更不用说扬·范德兰回答了这个问题。
fit_dist<-fitdist(base$feature1,"weibull",lower = c(0, 0), start = list(scale = 1, shape = 1))
rms_coefficients<-matrix(coef(fit_dist))
rownames(rms_coefficients)<-c("scale","shape")
rms_pdf<-dweibull(base$feature1,shape=rms_coefficients["shape",1],scale=rms_coefficients["scale",1])
rms_cdf<-1-exp(-((base$feature1/rms_coefficients["scale",1])^rms_coefficients["shape",1]))
hazard_rate_fun_feature1 <-rms_pdf/(1-rms_cdf)