python的ols_看懂python3 之statsmodels包的OLS

放上代码例子：

# -*-coding:utf-8 -*-

import pandas as pd

import matplotlib.pyplot as plt

import matplotlib

import numpy as np

import time, datetime

import statsmodels.api as sm

df = pd.read_csv('D:\work\数据分析\换师次数学生状态关系\全部学员课消状态表.csv',encoding='gbk')

# data = df.ix[:, ['student_id','累计课消','学生状态']]

data=list(df['累计课消'])

data0 = df[df['学生状态'] == 0]

data1 = df[(df['学生状态'] == 1)]

data2 = df[df['学生状态'] == 2]

data3 = df[df['学生状态'] == 3]

data4 = df[df['学生状态'] == 4]

data_0 = list(data0['累计课消'])

data_1 = list(data1['累计课消'])

data_2 = list(data2['累计课消'])

data_3 = list(data3['累计课消'])

data_4 = list(data4['累计课消'])

list_bin=list(np.arange(3,255,3))

def count_y(object):

list_count = [0 for i in range(84)]

out_range_count=[]

for i in list_bin:

for k in object:

if k < i and k >= i-3:

bin_index=list_bin.index(i)

list_count[bin_index] += 1

for k in object:

if k >= 252:

list_count[-1] += 1

list_array = np.array(list_count)

return list_array

y = count_y(data)

refund=pd.Series(y_5/y)

class_fire=pd.Series(list_bin)

X = sm.add_constant(class_fire)

est=sm.OLS(refund,X).fit()

est.summary()

输出：

左边：(模型描述)

Dep.Variable: 输出变量的名称

Model :模型名称

Method: 方法 其中 Least Squares 表示最小二乘法

Date： 日期

Time： 时间

No.Observations: 样本数目

Df Residuals : 残差自由度 (观测数No.Observations - (参数数目Df Model+1常数))

–残差代表的是实际观察值与估计值的差

Df Model: 模型参数个数，相当于输入的X的元素个数

右边：(模型质量描述)(需要参考判断的数据)

R- squared : 可决系数，用来判断估计的准确性，范围在 [0,1] 约接近1 ，说明对y的解释能力越强，拟合越好

标签：count,bin,df,list,课消,OLS,statsmodels,data,python3