将 model.params 输出到 pandas 中的 csv

Question

我正在运行基本回归：

df = pd.DataFrame(playerdata, columns = cols_of_interest)

target = pd.DataFrame(playerdata, columns = ['mins'])

X = df[cols_of_interest]

y = target["mins"]

# Fit and make the predictions by the model

model = sm.OLS(y, X).fit()

predictions = model.predict(X)

model.params 似乎有我想要的信息，我想将回归方程（系数、r^2 和 t/p 值）输出到 csv。我似乎不知道如何做，我确实尝试了 .to_csv 以及我在这里找到的链接

Answer 1

这是我拼凑起来的一个例子，以展示什么对我有用。（我使用了 statsmodels 中的示例，然后将摘要转换为 df，然后将框架输出为 csv）import numpy as npimport pandas as pd import statsmodels.api as smnsample = 100x = np.linspace(0, 10, 100)X = np.column_stack((x, x**2))beta = np.array([1, 0.1, 10])e = np.random.normal(size=nsample)X = sm.add_constant(X)y = np.dot(X, beta) + emodel = sm.OLS(y, X)results = model.fit()print(results.summary())我们想要转换为数据帧（仅供参考）的输出是results.summary()：     OLS Regression Results                            ==============================================================================Dep. Variable:                      y   R-squared:                       1.000Model:                            OLS   Adj. R-squared:                  1.000Method:                 Least Squares   F-statistic:                 4.101e+06Date:                Wed, 09 Sep 2020   Prob (F-statistic):          1.08e-239Time:                        18:14:11   Log-Likelihood:                -145.54No. Observations:                 100   AIC:                             297.1Df Residuals:                      97   BIC:                             304.9Df Model:                           2                                         Covariance Type:            nonrobust                                         ==============================================================================                 coef    std err          t      P>|t|      [0.025      0.975]------------------------------------------------------------------------------const          0.6968      0.310      2.250      0.027       0.082       1.312x1             0.3067      0.143      2.143      0.035       0.023       0.591x2             9.9795      0.014    720.523      0.000       9.952      10.007==============================================================================Omnibus:                        1.587   Durbin-Watson:                   1.878Prob(Omnibus):                  0.452   Jarque-Bera (JB):                1.271Skew:                           0.055   Prob(JB):                        0.530Kurtosis:                       2.459   Cond. No.                         144.==============================================================================以下是如何将其转换为数据框，然后最终转换为 csvdf1 = pd.DataFrame(results.summary().tables[1])df2 = pd.DataFrame(results.summary2().tables[1])df1.to_csv('summary.csv')df2.to_csv('summary2.csv')df1       0           1          2          3       4          5          60               coef    std err          t   P>|t|     [0.025     0.975]1  const      0.6968      0.310      2.250   0.027      0.082      1.3122     x1      0.3067      0.143      2.143   0.035      0.023      0.5913     x2      9.9795      0.014    720.523   0.000      9.952     10.007和 df2          Coef.  Std.Err.           t          P>|t|    [0.025     0.975]const  0.696846  0.309698    2.250083   2.670308e-02  0.082181   1.311510x1     0.306671  0.143135    2.142533   3.465348e-02  0.022588   0.590754x2     9.979496  0.013850  720.523099  1.175226e-182  9.952007  10.006985存储summary1.csv 和summary2.csv。注意：如果您想添加值或制作自定义框架，您可以查看结果目录以了解可用的内容。输出dir(results)['HC0_se', 'HC1_se', 'HC2_se', 'HC3_se', '_HCCM', '__class__', '__delattr__', '__dict__', '__dir__', '__doc__', '__eq__', '__format__', '__ge__', '__getattribute__', '__gt__', '__hash__', '__init__', '__init_subclass__', '__le__', '__lt__', '__module__', '__ne__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__sizeof__', '__str__', '__subclasshook__', '__weakref__', '_cache', '_data_attr', '_get_robustcov_results', '_is_nested', '_use_t', '_wexog_singular_values', 'aic', 'bic', 'bse', 'centered_tss', 'compare_f_test', 'compare_lm_test', 'compare_lr_test', 'condition_number', 'conf_int', 'conf_int_el', 'cov_HC0', 'cov_HC1', 'cov_HC2', 'cov_HC3', 'cov_kwds', 'cov_params', 'cov_type', 'df_model', 'df_resid', 'diagn', 'eigenvals', 'el_test', 'ess', 'f_pvalue', 'f_test', 'fittedvalues', 'fvalue', 'get_influence', 'get_prediction', 'get_robustcov_results', 'initialize', 'k_constant', 'llf', 'load', 'model', 'mse_model', 'mse_resid', 'mse_total', 'nobs', 'normalized_cov_params', 'outlier_test', 'params', 'predict', 'pvalues', 'remove_data', 'resid', 'resid_pearson', 'rsquared', 'rsquared_adj', 'save', 'scale', 'ssr', 'summary', 'summary2', 't_test', 't_test_pairwise', 'tvalues', 'uncentered_tss', 'use_t', 'wald_test', 'wald_test_terms', 'wresid']