我编写了这个函数，我想让它能够接受多个数据框，以便最终的图表能够展示多个预测线，同时coef_DF也能够完成其他系数的填充。
该函数从一个更大的数据集中提取所需的特征和目标，使用线性回归函数进行预测，然后构建模型，在数据集上绘制线条，并返回一个包含所有系数的数据框。
（这只是一个练习。）
def prep_model_and_predict(feature, target, dataset, degree): # part 1: make a df with relevant format and features # degree >=1 poly_df=pd.DataFrame() poly_df[str(target)] = dataset[str(target)] poly_df['power_1'] = dataset[str(feature)] #cehck if degree >1 if degree > 1: for power in range(2, degree+1): #loop over reaming deg name = 'power_'+str(power) poly_df[name]=poly_df['power_1'].apply(lambda x: x**power) #part 2: make model and predictions features=list(poly_df.columns[1:]) X=poly_df[features] y=poly_df[str(target)] model=LinearRegression().fit(X,y) predictions=model.predict(X) #part 3: put weghts in a nice df coef_df=pd.DataFrame() coef_df=coef_df.append({"Name":'Intercept', 'Value':model.intercept_}, ignore_index=True) coef_df=coef_df.append({'Name':'Power_1', 'Value':model.coef_[0]}, ignore_index=True) if degree > 1: for degree in range(2, degree+1): name = 'Power_' + str(degree) coef_df = coef_df.append({"Name":name, 'Value':'{:.3e}'.format(model.coef_[degree-1])}, ignore_index=True) #prt 4: plot it fig, ax = plt.subplots() ax.plot(poly_df['power_1'], poly_df[str(target)], '.', poly_df['power_1'], predictions, '-') ax.set_xlabel('Square footage, living area') ax.set_ylabel('Price per Sqft') ax.ticklabel_format(axis='y', style='sci', scilimits=(-2,2)) return coef_df, ax这是结果：
Name Value0 Intercept 5067381 Power_1 2.71336e-772 Power_2 7.335e-393 Power_3 -1.850e-444 Power_4 8.437e-505 Power_5 0.000e+006 Power_6 0.000e+007 Power_7 3.645e-558 Power_8 1.504e-519 Power_9 5.760e-4810 Power_10 1.958e-4411 Power_11 5.394e-4112 Power_12 9.404e-3813 Power_13 -3.635e-4114 Power_14 4.655e-4515 Power_15 -1.972e-49
非常感谢！
回答：
我不确定您到底在问什么。但我建议您下次尝试提出一个让Stack Overflow上的其他人容易重现和运行的问题。
我已经尝试回答您的问题。如果我误解了您的问题，请纠正我。
- 将任意数量的数据框传递给您的函数并绘制它们：
我创建了三个随机数据框用于演示：
df1 = pd.DataFrame(np.random.randint(0,10,size=(10, 2)), columns=list('AB'))df2 = pd.DataFrame(np.random.randint(0,10,size=(10, 2)), columns=list('AB'))df3 = pd.DataFrame(np.random.randint(0,10,size=(10, 2)), columns=list('AB'))用于绘制的函数如下：
def plot_me(*kwargs): plt.figure(figsize=(13,9)) lab_ind = 0 for i in kwargs: plt.plot(i['A'], i['B'], label = lab_ind) lab_ind += 1 plt.legend() plt.show()您得到的结果图表：
- 将模型结果放入
DataFrame
关于您的第二个问题，我不会过多关注您的具体细节 – 例如您的数据框列名等。
在这个特定示例中，我生成了两个随机数组：
X = np.random.randint(0,50 ,size=(50, 2))y = np.random.randint(0,2 ,size=(50, 1))然后在此数据上拟合一个线性回归模型。
model=LinearRegression().fit(X,y)predictions=model.predict(X)然后将其添加到一个DataFrame中：
res_df = pd.DataFrame(predictions,columns = ['Value'])如果您打印res_df
Value0 0.4203951 0.4593892 0.3696483 0.4160584 0.6440885 0.3620726 0.3631577 0.468943. .. .