SciPy的初步使用—回归分析

最新推荐文章于 2024-08-14 07:15:00 发布

qwe_Jecisafg

最新推荐文章于 2024-08-14 07:15:00 发布

阅读量2.2k

点赞数 1

本文介绍了如何利用SciPy进行一元线性回归分析，通过读取数据和可视化来初步观察数据的相关性，并借助StatsModels的OLS功能进行深入的回归分析。

摘要由CSDN通过智能技术生成

SciPy致力于解决科学计算，它的不同子模块对应于不同应用，如插值、积分、优化、图像处理、特殊函数等。

利用SciPy进行一元线性回归分析，首先读取数据并可视化，初步观察其相关性，代码如下：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import datetime as dt

#修改matplotlib库的字体使其显示中文
plt.rcParams['font.sans-serif']=['SimHei']    #正常显示正文标签
plt.rcParams['axes.unicode_minus']=False      #正常显示负号

data=pd.read_csv('data.csv',index_col='Date') #获取近两年深沪300与中国平安每日涨跌数据
data.index=[dt.datetime.strptime(x,'%Y-%m-%d') for x in data.index]
data.head()
data.plot(figsize=(10,6))
plt.ylabel('涨跌幅')

效果图如下：

可以发现，两者之间相关性还是比较大的。

接下来用到StatsModels模块，在此应用其强大的OLS（ordinary least square）功能进行回归分析。

import statsmodels.api as sm #导入该模块
x=data['深沪300'].values     #添加常数项
X=sm.add_constant(x)  
y=data['中国平安'].values

#接着，对两者的收益率进行线性回归，斜率即β系数
model=sm.OLS(y,X)
results=model.fit()
results.params
plt.figure(figsize=(10,6))
plt.plot(x,y,'o',label='中国平安-深沪300')
plt.plot(x,results.fittedvalues,'r--',label='ordinary least square')
plt.legend()
plt.xlabel('深沪300')
plt.ylabel('中国平安')
plt.grid(True)