Python 回归分析代码示例：statsmodels 和 scikit-learn

回归分析是一种统计方法，用于建立和分析变量之间的关系。在Python中，可以使用多个库来进行回归分析，其中最常用的是statsmodels和scikit-learn。\n\n以下是使用statsmodels进行简单线性回归分析的代码示例：\n\npython\nimport numpy as np\nimport statsmodels.api as sm\n\n# 创建自变量和因变量\nX = np.array([1, 2, 3, 4, 5])\ny = np.array([2, 4, 5, 6, 7])\n\n# 添加常数列到自变量\nX = sm.add_constant(X)\n\n# 拟合线性回归模型\nmodel = sm.OLS(y, X)\nresults = model.fit()\n\n# 输出回归结果\nprint(results.summary())\n\n\n使用scikit-learn进行回归分析时，可以使用线性回归模型（LinearRegression）或其他回归模型（如岭回归、Lasso回归等）。以下是使用scikit-learn进行简单线性回归分析的代码示例：\n\npython\nimport numpy as np\nfrom sklearn.linear_model import LinearRegression\n\n# 创建自变量和因变量\nX = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)\ny = np.array([2, 4, 5, 6, 7])\n\n# 拟合线性回归模型\nmodel = LinearRegression()\nmodel.fit(X, y)\n\n# 输出回归系数和截距\nprint("回归系数:", model.coef_)\nprint("截距:", model.intercept_)\n\n\n这些是基本的回归分析代码示例，你可以根据自己的数据和需求进行相应的修改和扩展。