如何从元素列表列表开始进行回归

Question

我试图在python中运行回归。我有一个列表列表（更大列表的一部分），看起来像这样：

[[1307622004, 0.0, 339.093, 130.132], 
[10562004, 0.0, 206.818, 62.111], 
[127882004, 0.0, 994.624, 360.497], 
[63702004, 0.0, 89.653, 19.103], 
[655902004, 0.0, 199.613, 83.296], 
[76482004, 0.0, 1891.0, 508.0], 
[16332004, 0.0, 160.344, 25.446], 
[294352004, 0.0, 67.115, 22.646], 
[615922004, 0.0, 134.501, 41.01], 
[1212572004, 0.0, 232.616, 5.086], 
[658992004, 0.0, 189.155, 7.906], 
[61962004, 0.0, 806.7, 164.1], 
[121712004, 0.0, 1147.532, 271.014], 
[1250142004, 0.0, 29.556, -5.721], 
[148082004, 0.0, 22.05, -17.655]]

看起来像这样，因为每行都是我从中导入数据的CSV文件中的一行。从这一点开始，请查看列表中的元素作为变量列，以便更好地理解我想要回归的内容。例如，列表中的前4个列表看起来就像变成了列（我不需要将变量变成列，我已经为了说明目的而这样做了）：

1307622004     0.0    339.093    130.132
10562004       0.0    206.818    62.111
127882004      0.0    994.624    360.497

为了继续我的例子，我希望第一列是我的因变量，所有其他列都是独立变量。我已经尝试使用numpy将列表转换为数组，然后应用sklearn回归。以下是代码段：

需要注意的重要事项：list_of_lists包含许多与我在问题开头提供的列表类似的元素。

from sklearn import datasets ## imports datasets from scikit-learn
from sklearn.linear_model import LinearRegression
import numpy as np

for item in list_of_lists:
    test_array = np.asarray(item)
    # print(test_array)
    X, Y = test_array[:, 0], test_array[:, 1]
    mdl = LinearRegression().fit(X, Y)
    scores = LinearRegression.score(X, Y)
    print('--------------------------')

问题是我得到以下输出：

如果数据具有单个要素，则使用array.reshape（-1,1）重新整形数据;如果数据包含单个样本，则使用array.reshape（1，-1）重新整形数据。

我对python和python中的数组，矩阵的使用都很陌生，所以我真的不明白发生了什么。

Answer 1

我不确定你为什么要遍历你的列表列表。更好的方法是将回归拟合到数组中。另外，如果你想让第一列成为你的响应（依赖）变量，而其余所有变量都是预测变量（独立）变量，你需要更改X和Y的定义，因为你有它，你有第一列列作为预测变量，第二列作为响应：

test_array = np.asarray(list_of_lists)
# Set independent variables to be all columns after first, dependent to first col
X, Y = test_array[:, 1:], test_array[:, 0]

# Create a regressor 
reg = LinearRegression()
# Fit it to your data   
mdl = reg.fit(X, Y)
# Exctract the R^2
scores = reg.score(X,Y)