机器学习-用线性回归拟合缺失值

我们在做计量经济学时，或者在做数据分析时，总是遇到个别个体的数据缺失，我的案例是关于年份与所对应的变量关系

做法：

1.将年份2010-2018分别设为[1,2,3,~~~,8]，作为x，缺失的变量作为y

2.将用python来拟合（预测）缺失的那年数据。下面例子是缺失了2010年的数据，在year中，是没有1的。

# 读取或者输出数据
data = pd.DataFrame({'year':[2,3,4,5,6,7,8,9],'y':[1.874018063,
2.208148996,
2.602163989,
2.885194853,
2.839985094,
2.879936428,
3.232097044,
3.675257165,
]})
print(data)

# 数据处理
x=np.array(data['year']).reshape((8,1))

y=np.array(data['y']).reshape((8,1))

# 建立线性模型
model = linear_model.LinearRegression()
model.fit(x,y)

# 模型效果
coef=model.coef_ #获取自变量系数

model_intercept=model.intercept_#获取截距

R2=model.score(x,y) #R的平方

print('线性回归方程为：','\n','y=’{}*x+{}'.format(coef,model_intercept))


# 插入的值
new_x = np.array((1)).reshape((1,1))
print(new_x)
y_pre = model.predict(new_x)
print(y_pre)

y_pre的值就是关于2010年对应的预测，也就是我们要插入的值。