Python数学建模StatsModels统计回归模型数据的准备有哪些

这篇文章主要介绍"Python数学建模StatsModels统计回归模型数据的准备有哪些"，在日常操作中，相信很多人在Python数学建模StatsModels统计回归模型数据的准备有哪些问题上存在疑惑，小编查阅了各式资料，整理出简单好用的操作方法，希望对大家解答"Python数学建模StatsModels统计回归模型数据的准备有哪些"的疑惑有所帮助！接下来，请跟着小编一起来学习吧！

目录

• 1、读取数据文件

• （1）读取 .csv 文件：

• （2）读取 .xls 文件：

• （3）读取 .txt 文件：

• 2、数据文件的拆分与合并

• （1）将 Excel 文件分割为多个文件

• （2）将 多个 Excel 文件合并为一个文件

• 3、数据的预处理

• （1）缺失数据的处理

• （2）重复数据的处理

• （3）异常值处理

• 4、Python 例程（Statsmodels）

• 4.1 问题描述

• 4.2 Python 程序

• 4.3 程序运行结果：

1、读取数据文件

回归分析问题所用的数据都是保存在数据文件中的，首先就要从数据文件读取数据。

数据文件的格式很多，最常用的是 .csv，.xls 和 .txt 文件，以及 sql 数据库文件的读取 。

使用 pandas 从数据文件导入数据的程序最为简单，示例如下：

（1）读取 .csv 文件：

df = pd.read_csv("./example.csv", engine="python", encoding="utf_8_sig")    # engine="python"允许处理中文路径，encoding="utf_8_sig"允许读取中文数据

（2）读取 .xls 文件：

df = pd.read_excel("./example.xls", sheetname='Sheet1', header=0, encoding="utf_8_sig")    # sheetname 表示读取的sheet，header=0 表示首行为标题行， encoding 表示编码方式

（3）读取 .txt 文件：

df = pd.read_table("./example.txt", sep="\t", header=None)    # sep 表示分隔符，header=None表示无标题行，第一行是数据

2、数据文件的拆分与合并

统计回归所需处理的数据量可能非常大，必要时需对文件进行拆分或合并，也可以用 pandas 进行处理，示例如下：

（1）将 Excel 文件分割为多个文件

# 将 Excel 文件分割为多个文件    import pandas as pd    dfData = pd.read_excel('./example.xls', sheetname='Sheet1')    nRow, nCol = dfData.shape  # 获取数据的行列    # 假设数据共有198,000行，分割为 20个文件，每个文件 10,000行    for i in range(0, int(nRow/10000)+1):        saveData = dfData.iloc[i*10000+1:(i+1)*10000+1, :]  # 每隔 10,000        fileName= './example_{}.xls'.format(str(i))        saveData.to_excel(fileName, sheet_name = 'Sheet1', index = False)

（2）将 多个 Excel 文件合并为一个文件

# 将多个 Excel 文件合并为一个文件    import pandas as pd    ## 两个 Excel 文件合并    #data1 = pd.read_excel('./example0.xls', sheetname='Sheet1')    #data2 = pd.read_excel('./example1.xls', sheetname='Sheet1')    #data = pd.concat([data1, data2])    # 多个 Excel 文件合并    dfData = pd.read_excel('./example0.xls', sheetname='Sheet1')    for i in range(1, 20):        fileName = './example_{}.xls'.format(str(i))        dfNew = pd.read_excel(fileName)        dfData = pd.concat([dfData, dfNew])    dfData.to_excel('./example', index = False)    # = 关注 Youcans，分享原创系列 https://blog.csdn.net/youcans =

3、数据的预处理

在实际工作中，在开始建立模型和拟合分析之前，还要对原始数据进行数据预处理（data preprocessing），主要包括：缺失值处理、重复数据处理、异常值处理、变量格式转换、训练集划分、数据的规范化、归一化等。

数据预处理的很多内容已经超出了 Statsmodels 的范围，在此只介绍最基本的方法：

（1）缺失数据的处理

导入的数据存在缺失是经常发生的，最简单的处理方式是删除缺失的数据行。使用 pandas 中的 .dropna() 删除含有缺失值的行或列，也可以 对特定的列进行缺失值删除处理 。

dfNew = dfData.dropna(axis = 0))  # 删除含有缺失值的行

有时也会填充缺失值或替换缺失值，在此就不做介绍了。　

（2）重复数据的处理

对于重复数据，通常会删除重复行。使用 pandas 中的 .duplicated() 可以查询重复数据的内容，使用 .drop_duplicated() 可以删除重复数据，也可以对指定的数据列进行去重。

dfNew = dfData.drop_duplicates(inplace=True)  # 删除重复的数据行

（3）异常值处理

数据中可能包括异常值， 是指一个样本中的数值明显偏离样本集中其它样本的观测值，也称为离群点。异常值可以通过箱线图、正态分布图进行识别，也可以通过回归、聚类建模进行识别。

箱线图技术是利用数据的分位数识别其中的异常点。箱形图分析也超过本文的内容，不能详细介绍了。只能笼统地说通过观察箱形图，可以查看整体的异常情况，进而发现异常值。

dfData.boxplot()  # 绘制箱形图

对于异常值通常不易直接删除，需要结合具体情况进行考虑和处理。使用 pandas 中的 .drop() 可以直接删除异常值数据行，或者使用判断条件来判定并删除异常值数据行。

# 按行删除，drop() 默认 axis=0 按行删除    dfNew = dfData.drop(labels=0)   # 按照行号 labels，删除 行号为 0 的行    dfNew = dfData.drop(index=dfData[dfData['A']==-1].index[0])   # 按照条件检索，删除 dfData['A']=-1 的行

4、Python 例程（Statsmodels）

4.1 问题描述

数据文件中收集了 30个月本公司牙膏销售量、价格、广告费用及同期的市场均价。
　　（1）分析牙膏销售量与价格、广告投入之间的关系，建立数学模型；
　　（2）估计所建立数学模型的参数，进行统计分析；
　　（3）利用拟合模型，预测在不同价格和广告费用下的牙膏销售量。

本问题及数据来自：姜启源、谢金星，数学模型（第 3版），高等教育出版社。
需要说明的是，本文例程并不是问题最佳的求解方法和结果，只是使用该问题及数据示范读取数据文件和数据处理的方法。

4.2 Python 程序

# LinearRegression_v3.py# v1.0: 调用 statsmodels 实现一元线性回归# v2.0: 调用 statsmodels 实现多元线性回归# v3.0: 从文件读取数据样本# 日期：2021-05-06# Copyright 2021 YouCans, XUPTimport numpy as npimport pandas as pdimport statsmodels.api as smimport matplotlib.pyplot as pltdef main():    # 读取数据文件    readPath = "../data/toothpaste.csv"  # 数据文件的地址和文件名    try:        if (readPath[-4:] == ".csv"):            dfOpenFile = pd.read_csv(readPath, header=0, sep=",")  # 间隔符为逗号，首行为标题行            # dfOpenFile = pd.read_csv(filePath, header=None, sep=",")  # sep: 间隔符，无标题行        elif (readPath[-4:] == ".xls") or (readPath[-5:] == ".xlsx"):  # sheet_name 默认为 0            dfOpenFile = pd.read_excel(readPath, header=0)  # 首行为标题行            # dfOpenFile = pd.read_excel(filePath, header=None)  # 无标题行        elif (readPath[-4:] == ".dat"):  # sep: 间隔符，header：首行是否为标题行            dfOpenFile = pd.read_table(readPath, sep=" ", header=0)  # 间隔符为空格，首行为标题行            # dfOpenFile = pd.read_table(filePath,sep=",",header=None) # 间隔符为逗号，无标题行        else:            print("不支持的文件格式。")        print(dfOpenFile.head())    except Exception as e:        print("读取数据文件失败：{}".format(str(e)))        return    # 数据预处理    dfData = dfOpenFile.dropna()  # 删除含有缺失值的数据    print(dfData.dtypes)  # 查看 df 各列的数据类型    print(dfData.shape)  # 查看 df 的行数和列数    # colNameList = dfData.columns.tolist()  # 将 df 的列名转换为列表 list    # print(colNameList)  # 查看列名列表 list    # featureCols = ['price', 'average', 'advertise', 'difference']  # 筛选列，建立自变量列名 list    # X = dfData[['price', 'average', 'advertise', 'difference']]  # 根据自变量列名 list，建立 自变量数据集    # 准备建模数据：分析因变量 Y(sales) 与 自变量 x1~x4  的关系    y = dfData.sales  # 根据因变量列名 list，建立 因变量数据集    x0 = np.ones(dfData.shape[0])  # 截距列 x0=[1,...1]    x1 = dfData.price  # 销售价格    x2 = dfData.average  # 市场均价    x3 = dfData.advertise  # 广告费    x4 = dfData.difference  # 价格差，x4 = x1 - x2    X = np.column_stack((x0,x1,x2,x3,x4))  #[x0,x1,x2,...,x4]    # 建立模型与参数估计    # Model 1：Y = b0 + b1*X1 + b2*X2 + b3*X3 + b4*X4 + e    model = sm.OLS(y, X)  # 建立 OLS 模型    results = model.fit()  # 返回模型拟合结果    yFit = results.fittedvalues  # 模型拟合的 y 值    print(results.summary())  # 输出回归分析的摘要    print("\nOLS model: Y = b0 + b1*X + ... + bm*Xm")    print('Parameters: ', results.params)  # 输出：拟合模型的系数    # 拟合结果绘图    fig, ax = plt.subplots(figsize=(10, 8))    ax.plot(range(len(y)), y, 'bo', label='sample')    ax.plot(range(len(yFit)), yFit, 'r--', label='predict')    ax.legend(loc='best')  # 显示图例    plt.show()  # YouCans, XUPT    returnif __name__ == '__main__':    main()

4.3 程序运行结果：

   period  price  average  advertise  difference  sales0       1   3.85     3.80       5.50       -0.05   7.381       2   3.75     4.00       6.75        0.25   8.512       3   3.70     4.30       7.25        0.60   9.523       4   3.70     3.70       5.50        0.00   7.504       5   3.60     3.85       7.00        0.25   9.33OLS Regression Results                            ==============================================================================Dep. Variable:                  sales   R-squared:                       0.895Model:                            OLS   Adj. R-squared:                  0.883Method:                 Least Squares   F-statistic:                     74.20Date:                Fri, 07 May 2021   Prob (F-statistic):           7.12e-13Time:                        11:51:52   Log-Likelihood:                 3.3225No. Observations:                  30   AIC:                             1.355Df Residuals:                      26   BIC:                             6.960Df Model:                           3                                         Covariance Type:            nonrobust                                         ==============================================================================                 coef    std err          t      P>|t|      [0.025      0.975]------------------------------------------------------------------------------const          8.0368      2.480      3.241      0.003       2.940      13.134x1            -1.1184      0.398     -2.811      0.009      -1.936      -0.300x2             0.2648      0.199      1.332      0.195      -0.144       0.674x3             0.4927      0.125      3.938      0.001       0.236       0.750x4             1.3832      0.288      4.798      0.000       0.791       1.976==============================================================================Omnibus:                        0.141   Durbin-Watson:                   1.762Prob(Omnibus):                  0.932   Jarque-Bera (JB):                0.030Skew:                           0.052   Prob(JB):                        0.985Kurtosis:                       2.885   Cond. No.                     2.68e+16==============================================================================OLS model: Y = b0 + b1*X + ... + bm*XmParameters:  const    8.036813x1      -1.118418x2       0.264789x3       0.492728x4       1.383207

到此，关于"Python数学建模StatsModels统计回归模型数据的准备有哪些"的学习就结束了，希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习，快去试试吧！若想继续学习更多相关知识，请继续关注网站，小编会继续努力为大家带来更多实用的文章！