我想使用statsmodels
OLS类来创建一个多元回归模型。请考虑以下数据集:
import statsmodels.api as sm
import pandas as pd
import numpy as np
dict = {'industry': ['mining', 'transportation', 'hospitality', 'finance', 'entertainment'],
'debt_ratio':np.random.randn(5), 'cash_flow':np.random.randn(5) + 90}
df = pd.DataFrame.from_dict(dict)
x = data[['debt_ratio', 'industry']]
y = data['cash_flow']
def reg_sm(x, y):
x = np.array(x).T
x = sm.add_constant(x)
results = sm.OLS(endog = y, exog = x).fit()
return results
当我运行以下代码时:
reg_sm(x, y)
我收到以下错误:
TypeError: '>=' not supported between instances of 'float' and 'str'
我已经尝试将industry
变量转换为分类变量,但我仍然遇到错误。我没有选择。
您正在转换为分类dtype的正确途径。但是,一旦将DataFrame转换为NumPy数组,就会得到一个object
dtype(NumPy数组是一个统一的整体类型)。这意味着单个值仍然是str
的基础,回归肯定不会喜欢。
您可能想要做的是dummify这个功能。而不是factorizing,它将有效地将变量视为连续的,你想要保持一些相似的分类:
>>> import statsmodels.api as sm
>>> import pandas as pd
>>> import numpy as np
>>> np.random.seed(444)
>>> data = {
... 'industry': ['mining', 'transportation', 'hospitality', 'finance', 'entertainment'],
... 'debt_ratio':np.random.randn(5),
... 'cash_flow':np.random.randn(5) + 90
... }
>>> data = pd.DataFrame.from_dict(data)
>>> data = pd.concat((
... data,
... pd.get_dummies(data['industry'], drop_first=True)), axis=1)
>>> # You could also use data.drop('industry', axis=1)
>>> # in the call to pd.concat()
>>> data
industry debt_ratio cash_flow finance hospitality mining transportation
0 mining 0.357440 88.856850 0 0 1 0
1 transportation 0.377538 89.457560 0 0 0 1
2 hospitality 1.382338 89.451292 0 1 0 0
3 finance 1.175549 90.208520 1 0 0 0
4 entertainment -0.939276 90.212690 0 0 0 0
现在你有dtypes,statsmodels可以更好地使用。 drop_first
的目的是避免dummy trap:
>>> y = data['cash_flow']
>>> x = data.drop(['cash_flow', 'industry'], axis=1)
>>> sm.OLS(y, x).fit()
<statsmodels.regression.linear_model.RegressionResultsWrapper object at 0x115b87cf8>
最后,只是一个小指针:它有助于尝试避免使用阴影内置对象类型的名称命名引用,例如dict
。