我正在使用 statsmodel 包构建一个基础的线性回归模型，以下是我想要做的：
构建一个 ‘for’ 循环，检查每个特征的概率，如果概率大于 0.05，则从训练（和测试）数据中删除该特征，再次拟合模型，并重复此过程直到所有概率都小于 0.05。
这是我目前所做的：

for x,y in zip(lrmodel.pvalues,xtrain.columns):    if x>0.05:      xtrain = xtrain.drop(y,axis=1)      xtest = xtest.drop(y,axis=1)      lrmodel = sm.OLS(ytrain,xtrain).fit()      finalmodel = lrmodel    else:      finalmodel = lrmodel

这个循环的问题在于它不会迭代 pvalues，而是一次性移除所有概率大于 0.05 的特征。
如果有人能帮我，我将不胜感激。谢谢！

回答：

我认为你需要在这个基础上添加一个 while 循环：

while max(lrmodel.pvalues)>0.05:    for x,y in zip(lrmodel.pvalues,xtrain.columns):         if x>0.05:            xtrain = xtrain.drop(y,axis=1)            xtest = xtest.drop(y,axis=1)            lrmodel = sm.OLS(ytrain,xtrain).fit()            break# 当所有值都小于 0.05 后，将模型赋值给最终模型finalmodel = lrmodel

这样做的一个潜在问题是：你必须确保所有值最终都会小于 0.05，否则你需要额外的逻辑来终止循环。例如，

while len(lrmodel.pvalues)>0 and max(lrmodel.pvalues)>0.05: