使用 python 做線性回歸，scipy，statsmodels，sklearn

https://blog.csdn.net/robert_chen1988/article/details/103551261

文章目錄

• 1. 用 scipy 包
• 2. 用 statsmodels 包
• 3. 用 sklearn 包

使用 python 做線性回歸分析有好幾種方式，常要的分別是 scipy 包，statsmodels 包，以及 sklearn 包。但是，這些包目前都不能處理共線性，即自動剔除部分共線性的變量，需要自己去編函數，這一點不如 spss 或 r 語言。

 

假設有下面的數據存儲在 excel 文件里面：

不良貸款	各項貸款余額	本年累計應收貸款	貸款項目個數	本年固定資產投資額
0.9	67.3	6.8	5	51.9
1.1	111.3	19.8	16	90.9
4.8	173.0	7.7	17	73.7
3.2	80.8	7.2	10	14.5
7.8	199.7	16.5	19	63.2
2.7	16.2	2.2	1	2.2
1.6	107.4	10.7	17	20.2
12.5	185.4	27.1	18	43.8
1.0	96.1	1.7	10	55.9
2.6	72.8	9.1	14	64.3
0.3	64.2	2.1	11	42.7
4.0	132.2	11.2	23	76.7
0.8	58.6	6.0	14	22.8
3.5	174.6	12.7	26	117.1
10.2	263.5	15.6	34	146.7
3.0	79.3	8.9	15	29.9
0.2	14.8	0.6	2	42.1
0.4	73.5	5.9	11	25.3
1.0	24.7	5.0	4	13.4
6.8	139.4	7.2	28	64.3
11.6	368.2	16.8	32	163.9
1.6	95.7	3.8	10	44.5
1.2	109.6	10.3	14	67.9
7.2	196.2	15.8	16	39.7
3.2	102.2	12.0	10	97.1

首先使用 pandas 讀取 excel 數據：

import pandas as pd # 讀取 excel 數據，引號里面是 excel 文件在電腦的存儲位置 datas = pd.read_excel(r'D:\Users\chen_\git\Statistics-book\datas\linear_regression.xlsx') 

1. 用 scipy 包

scipy.stats 中的 linregress 函數可以做一元線性回歸。假如因變量為 “不良貸款”，自變量為 “各項貸款余額”，全部 python 代碼如下：

import scipy.stats as st import pandas as pd datas = pd.read_excel(r'D:\Users\chen_\git\Statistics-book\datas\linear_regression.xlsx') # 讀取 excel 數據，引號里面是 excel 文件的位置 y = datas.iloc[:, 1] # 因變量為第 2 列數據 x = datas.iloc[:, 2] # 自變量為第 3 列數據 # 線性擬合，可以返回斜率，截距，r 值，p 值，標准誤差 slope, intercept, r_value, p_value, std_err = st.linregress(x, y) print(slope)# 輸出斜率 print(intercept) # 輸出截距 print(r_value**2) # 輸出 r^2 

scipy 中的回歸分析比較簡單，目前只能做一元線性回歸，也不能用來做預測。

2. 用 statsmodels 包

import pandas as pd import statsmodels.api as sm import matplotlib.pyplot as plt datas = pd.read_excel(r'D:\Users\chen_\git\Statistics-book\datas\linear_regression.xlsx') # 讀取 excel 數據，引號里面是 excel 文件的位置 y = datas.iloc[:, 1] # 因變量為第 2 列數據 x = datas.iloc[:, 2] # 自變量為第 3 列數據 x = sm.add_constant(x) # 若模型中有截距，必須有這一步 model = sm.OLS(y, x).fit() # 構建最小二乘模型並擬合 print(model.summary()) # 輸出回歸結果 # 畫圖 # 這兩行代碼在畫圖時添加中文必須用 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False predicts = model.predict() # 模型的預測值 x = datas.iloc[:, 2] # 自變量為第 3 列數據 plt.scatter(x, y, label='實際值') # 散點圖 plt.plot(x, predicts, color = 'red', label='預測值') plt.legend() # 顯示圖例，即每條線對應 label 中的內容 plt.show() # 顯示圖形 

統計結果如下：

畫出的實際值與預測值如下圖：

注意：若導入包時使用命令 import statsmodels.formula.api as sm, 則在回歸分析時不用添加截距 add_constant，但是必須使用統計語言給出模型信息，代碼如下：

import pandas as pd import statsmodels.formula.api as sm import matplotlib.pyplot as plt datas = pd.read_excel(r'D:\Users\chen_\git\Statistics-book\datas\linear_regression.xlsx') # 讀取 excel 數據，引號里面是 excel 文件的位置 model = sm.ols('不良貸款~各項貸款余額', datas).fit() # 構建最小二乘模型並擬合， #此時不用單獨輸入 x，y了，而是將自變量與因變量用統計語言公式表示，將全部數據導入 print(model.summary()) # 輸出回歸結果 # 畫圖 # 這兩行代碼在畫圖時添加中文必須用 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False predicts = model.predict() # 模型的預測值 y = datas.iloc[:, 1] # 因變量為第 2 列數據 x = datas.iloc[:, 2] # 自變量為第 3 列數據 plt.scatter(x, y, label='實際值') plt.plot(x, predicts, color = 'red', label='預測值') plt.legend() # 顯示圖例，即每條線對應 label 中的內容 plt.show() # 顯示圖形 

在多元回歸中，只需把自變量改為多列數據即可，假如不良貸款為因變量，從第3列到第6列都是因變量，則使用 statsmodels 包的全部 python 代碼如下：

import pandas as pd import statsmodels.api as sm import matplotlib.pyplot as plt datas = pd.read_excel(r'D:\Users\chen_\git\Statistics-book\datas\linear_regression.xlsx') # 讀取 excel 數據，引號里面是 excel 文件的位置 y = datas.iloc[:, 1] # 因變量為第 2 列數據 x = datas.iloc[:, 2:6] # 自變量為第 3 列到第 6 列數據 x = sm.add_constant(x) # 若模型中有截距，必須有這一步 model = sm.OLS(y, x).fit() # 構建最小二乘模型並擬合 print(model.summary()) # 輸出回歸結果 

回歸結果：

3. 用 sklearn 包

sklearn 包機器學習中常見的 python 包，可以用來做統計分析時，但它並不能像 statsmodels 那樣生成非常詳細的統計分析結果。一元回歸時，自變量與因變量都需要處理下，對於上面同樣的例子：

import pandas as pd import matplotlib.pyplot as plt import numpy as np from sklearn.linear_model import LinearRegression datas = pd.read_excel(r'D:\Users\chen_\git\Statistics-book\datas\linear_regression.xlsx') # 讀取 excel 數據，引號里面是 excel 文件的位置 y = datas.iloc[:, 1] # 因變量為第 2 列數據 x = datas.iloc[:, 2] # 自變量為第 3 列數據 # 將 x，y 分別增加一個軸，以滿足 sklearn 中回歸模型認可的數據 x = x[:, np.newaxis] y = y[:, np.newaxis] model = LinearRegression() # 構建線性模型 model.fit(x, y) # 自變量在前，因變量在后 predicts = model.predict(x) # 預測值 R2 = model.score(x, y) # 擬合程度 R2 print('R2 = %.2f' % R2) # 輸出 R2 coef = model.coef_ # 斜率 intercept = model.intercept_ # 截距 print(model.coef_, model.intercept_) # 輸出斜率和截距 # 畫圖 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False y = datas.iloc[:, 1] # 因變量為第 2 列數據 x = datas.iloc[:, 2] # 自變量為第 3 列數據 plt.scatter(x, y, label='實際值') # 散點圖 plt.plot(x, predicts, color = 'red', label='預測值') plt.legend() # 顯示圖例，即每條線對應 label 中的內容 plt.show() # 顯示圖形 

用 sklearn 做多元回歸時，自變量不需要單獨處理了，全部代碼如下：

import pandas as pd import matplotlib.pyplot as plt import numpy as np from sklearn.linear_model import LinearRegression datas = pd.read_excel(r'D:\Users\chen_\git\Statistics-book\datas\linear_regression.xlsx') # 讀取 excel 數據，引號里面是 excel 文件的位置 y = datas.iloc[:, 1] # 因變量為第 2 列數據 x = datas.iloc[:, 2:6] # 自變量為第 3 列到第 6 列數據 # 將 y 分別增加一個軸，以滿足 sklearn 中回歸模型認可的數據 # 此時由於 x 是多元變量，則不用添加新的軸了 y = y[:, np.newaxis] model = LinearRegression() # 構建線性模型 model.fit(x, y) # 自變量在前，因變量在后 predicts = model.predict(x) # 預測值 R2 = model.score(x, y) # 擬合程度 R2 print('R2 = %.3f' % R2) # 輸出 R2 coef = model.coef_ # 斜率 intercept = model.intercept_ # 截距 print(model.coef_, model.intercept_) # 輸出斜率和截距