Pandas Dataframe中多列的普通最小二乘回归

Question

我试图找到一种方法来迭代代码，在许多列上进行线性回归，直到Z3。 这是一个名为df1的数据帧片段

    Time    A1      A2      A3      B1      B2      B3
1   1.00    6.64    6.82    6.79    6.70    6.95    7.02
2   2.00    6.70    6.86    6.92    NaN     NaN     NaN
3   3.00    NaN     NaN     NaN     7.07    7.27    7.40
4   4.00    7.15    7.26    7.26    7.19    NaN     NaN
5   5.00    NaN     NaN     NaN     NaN     7.40    7.51
6   5.50    7.44    7.63    7.58    7.54    NaN     NaN 
7   6.00    7.62    7.86    7.71    NaN     NaN     NaN

此代码仅返回非常一列的线性回归的斜率系数，并将该值连接到一个名为series的numpy系列，这里是为第一列提取斜率的样子：

from sklearn.linear_model import LinearRegression

series = np.array([]) #blank list to append result

df2 = df1[~np.isnan(df1['A1'])] #removes NaN values for each column to apply sklearn function
df3 = df2[['Time','A1']]
npMatrix = np.matrix(df3)
X, Y = npMatrix[:,0], npMatrix[:,1]
slope = LinearRegression().fit(X,Y) # either this or the next line
m = slope.coef_[0]

series= np.concatenate((SGR_trips, m), axis = 0)

就像现在一样，我正在使用这段代码，将“A1”替换为新的列名，一直到“Z3”，这是非常低效的。 我知道有一些简单的方法可以用一些模块来做到这一点，但我的缺点是在时间序列中拥有所有这些中间NaN值，所以看起来我只限于这种方法，或类似的东西。

我尝试使用for循环，例如：

for col in df1.columns:

并替换'A1'，例如使用代码中的col，但这似乎不起作用。

有什么方法可以更有效地做到这一点吗？

谢谢！

Answer 1

一个班轮（或三个）

time = df[['Time']]
pd.DataFrame(np.linalg.pinv(time.T.dot(time)).dot(time.T).dot(df.fillna(0)),
             ['Slope'], df.columns)

分解了一些解释

使用封闭形式的OLS

在这种情况下， X是time ，我们定义time为df[['Time']] 我使用双括号来保留数据帧及其两个维度。 如果我做了单支架，我会得到一个系列及其一个维度。 然后点产品不那么漂亮。

是np.linalg.pinv(time.T.dot(time)).dot(time.T)

Y是df.fillna(0) 。 是的，我们可以一次完成一个专栏，但为什么我们可以完全这样做。 你必须处理NaN 。 你会怎么想象与他们打交道？ 只有在你有数据的时候才这样做？ 这相当于在NaN点放置零。 所以我做了。

最后，我使用pd.DataFrame(stuff, ['Slope'], df.columns)来包含原始标签在一个地方的所有斜率。

请注意 ，我计算了时间对自身的回归斜率。 为什么不？ 它就在那里。 它的值是1.0。 大！ 我可能做对了！

Answer 2

循环是一个适当的策略，适用于适度数量（例如，少于数千）的列。 没有看到你的实现，我不能说什么是错的，但这是我的版本，它的工作原理：

slopes = []

for c in cols:
    if c=="Time": break
    mask = ~np.isnan(df1[c])
    x = np.atleast_2d(df1.Time[mask].values).T
    y = np.atleast_2d(df1[c][mask].values).T
    reg = LinearRegression().fit(x, y)
    slopes.append(reg.coef_[0])

我已经简化了你的代码以避免创建这么多临时的DataFrame对象，但它也应该可以正常工作。