手把手教你用一个py案例(statsmodels)教你学会线性回归！

目录

 一、准备阶段

1.打开控制台输入下列命令：

导入pandas库

导入statsmodels

二、分析案例

1.在建立回归方程前首先导入库

2.从一维到多维线性回归

（1）一维线性回归例子解析

1.问题：

2.解答代码：

​编辑

代码汇总：

代码逐步分析：

代码结果：

1.问题：

2.解答代码：

代码汇总：

代码逐步分析：

代码结果：

三、总结：

---

 一、准备阶段

1.打开控制台输入下列命令：

导入pandas库

pip install pandas

导入statsmodels

pip install statsmodels

statsmodels是python中专门用于统计学分析的包，它能够帮我们在模型未知的情况下来检验模型的线性显著性

二、分析案例

1.在建立回归方程前首先导入库

import statsmodels.api as sm
import pandas as pd

导入pandas库并且取别名为pd

导入statsmodels库的api接口并且取别名为sm

2.从一维到多维线性回归

（1）一维线性回归例子解析

1.问题：

 分析这个文档中广告投入对销售额的线性影响

 注：这个图片来自于'data.csv'

2.解答代码：

代码汇总：

data = pd.read_csv('./data.csv')# #当前目录中存在名为“多元线性回归.csv”的CSV文件
x=data[['广告投入']]#自变量
y=data[['销售额']]#因变量
X=sm.add_constant(x)#添加常数列，即截距项
#最小二乘法
model=sm.OLS(y,X)#创建线性回归模型
result=model.fit()#拟合模型
print(result.summary())#查看回归结果

代码逐步分析：

1.数据是使用熊猫库中的函数从名为“data.csv”的CSV文件中读取的。

data = pd.read_csv('./data.csv')# #当前目录中存在名为“多元线性回归.csv”的CSV文件

2.自变量（预测变量）被选为“广告投入”（广告支出），因变量（响应变量）被选为“销售额”（销售额）。这些变量分别分配给 和 变量。

x=data[['广告投入']]#自变量
y=data[['销售额']]#因变量

3.通过使用 中的函数向变量添加常量项来创建变量。添加常量项允许模型估计截距项。

注：添加截距项是为了便计算相当于添加的x0，可以为把公式（1）看成：

X=sm.add_constant(x)#添加常数列，即截距项

4.该函数用于创建普通最小二乘 （OLS） 模型对象。此函数将因变量 （） 和自变量 （） 作为参数。

model=sm.OLS(y,X)#创建线性回归模型

5.调用该方法以将 OLS 模型拟合到数据。它返回一个对象，其中包含有关拟合模型的各种信息，例如系数、标准误差、t 统计量等。

result=model.fit()#拟合模型

6.使用该函数打印模型结果的汇总，该函数提供回归模型的详细分析，包括系数估计值、p 值、R 平方值和其他诊断测量值。

print(result.summary())#查看回归结果

代码结果：

（2）二维线性回归例子解析

1.问题：

分析体重和年龄与血压收缩的线性关系

注：图片截自’多元线性回归.csv‘

2.解答代码：

代码汇总：

#当前目录中存在名为“多元线性回归.csv”的CSV文件，并且数据以“gbk”格式编码
data=pd.read_csv('./多元线性回归.csv',encoding='gbk')
x=data[['体重','年龄']]#自变量
y=data['血压收缩']#因变量
X=sm.add_constant(x)#添加常数列，即截距项
model=sm.OLS(y,X)#创建线性回归模型
result=model.fit()#拟合模型
params=result.params#系数矩阵
print(result.summary())#查看回归结果

代码逐步分析：

1.数据是使用熊猫库中的函数从名为“多元线性回归.csv”的CSV文件中读取的。

data=pd.read_csv('./多元线性回归.csv',encoding='gbk')

2.自变量（预测因子）被选为“体重”和“年龄”，因变量（响应变量）被选为“血压收缩”（收缩压）。这些变量分别分配给 和 变量。

x=data[['体重','年龄']]#自变量
y=data['血压收缩']#因变量

3.通过使用 中的函数向变量添加常量项来创建变量。添加常量项允许模型估计截距项。

X=sm.add_constant(x)#添加常数列，即截距项

4.该函数用于创建普通最小二乘 （OLS） 模型对象。此函数将因变量 （） 和自变量 （） 作为参数。

model=sm.OLS(y,X)#创建线性回归模型

注：最小二乘法求解：

5.调用该方法以将 OLS 模型拟合到数据。它返回一个对象，其中包含有关拟合模型的各种信息，例如系数、标准误差、t 统计量等。

result=model.fit()#拟合模型

6.估计的模型参数（系数）存储在变量中。模型结果的摘要使用该函数打印，该函数提供回归模型的详细分析，包括系数估计值、p 值、R 平方值和其他诊断测量值。

params=result.params#系数矩阵
print(result.summary())#查看回归结果

7.请注意，当前目录中存在名为“多元线性回归.csv”的CSV文件，并且数据以“gbk”格式编码。如有必要，请确保针对您的特定用例调整文件路径和编码。

代码结果：

三、总结：

先读取-->再找自变量和因变量-->添加截距-->用最小二乘法求解-->拟合模型-->查看回归结果