Question

此处有类似问题：Pass Pandas DataFrame to Scipy.optimize.curve_fit

我现在有一个形状为（100，4）的数据框，即四个从属变量Y1至Y4。对于另一个独立的数组，m = [1,2,3,4]。我需要根据Ys和m建立线性模型，以生成预测的Y值。

如何在不对数据帧的每一行进行for循环的情况下对整个数据帧执行此操作？

import numpy as np
import pandas as pd
from scipy.optimize import curve_fit
from scipy.stats import linregress

Y = np.random.randn(100, 4) 
m = np.array([1, 2, 3, 4])    

df = pd.DataFrame(Y, columns=['y1', 'y2', 'y3', 'y4'])
for index, row in df.iterrows():
    slope, intercept, r_value, p_value, std_err = linregress(m, row.values)
    print(slope, intercept)

Answer 1

首先，优良作法是使用行上的观察值格式化数据。也就是说，每个观察都由其他列中的维度（变量（x1-4））描述。然后，您可以将解释变量与响应（y）一起传递给模型函数，该响应可以是数据框的一列，也可以位于数据框的外部，但行数相同。

显然，linregress函数仅将单个解释变量拟合到响应变量上。

对于二维建模，我建议使用其他软件包，例如statsmodels或sklearn.linear_model.LinearRegression

下面我继续前一个建议：

import numpy as np
import pandas as pd
from statsmodels.formula.api import ols

data = np.random.randn(100, 4)
y = np.random.randn(100)
df = pd.DataFrame(data, columns=['x1', 'x2', 'x3', 'x4'])

x1 = df['x1']
x2 = df['x2']
x3 = df['x3']
x4 = df['x4']

model = ols("y ~ x1 + x2 + x3 + x4", df).fit()
print(model.summary())

如何将熊猫数据框传递到scipy.optimize.curve_fit或scipy.stats.linregress

1 个答案: