如何在熊猫数据框架的列迭代运行回归

我在Python中使用Pandas编写了以下代码:

all_data = {}
for ticker in ['FIUIX', 'FSAIX', 'FSAVX', 'FSTMX']:
    all_data[ticker] = web.get_data_yahoo(ticker, '1/1/2010', '1/1/2015')

prices = DataFrame({tic: data['Adj Close'] for tic, data in all_data.iteritems()})  
returns = prices.pct_change()

我知道我可以像这样进行回归:

regs = sm.OLS(returns.FIUIX,returns.FSTMX).fit()

但是我如何为数据框架中的每一列做到这一点呢?具体来说，我如何遍历列，以便在每个列上运行回归?

具体来说，我想在FSTMX上回归彼此的股票代码(FIUIX, FSAIX和FSAVX)，并存储每次回归的残差。

我尝试过以下几种方法，但没有一种能达到预期的效果:

resids = {}
for k in returns.keys():
    reg = sm.OLS(returns[k],returns.FSTMX).fit()
    resids[k] = reg.resid

代码的返回[k]部分有问题吗?如何使用k值访问列?或者还有更简单的方法吗?

当前回答

你可以使用iteritems():

for name, values in df.iteritems():
    print('{name}: {value}'.format(name=name, value=values[0]))

2016-04-02 11:31:47

其他回答

我遇到这个问题是因为我正在寻找一个只包含列的干净迭代器(Series，没有名称)。

除非我弄错了，没有这样的事情，如果这是真的，有点烦人。特别是，人们有时想要为变量分配几个单独的列(Series)，例如:

x, y = df[['x', 'y']]  # does not work

有一个接近的df.items()，但它给出了一个元组迭代器(column_name, column_series)。有趣的是，有一个对应的df.keys()返回df.keys()。列，即列名作为索引，因此a, b= df[['x'， 'y']].keys()正确分配a='x'和b='y'。但是没有对应的df.values()，因为df.values是df.values()Values是一个属性，返回底层numpy数组。

一种(不优雅的)方法是:

x, y = (v for _, v in df[['x', 'y']].items())

但没有我想的那么复杂。

2021-02-04 13:38:41

你可以使用iteritems():

for name, values in df.iteritems():
    print('{name}: {value}'.format(name=name, value=values[0]))

2016-04-02 11:31:47

大多数答案都是通过列名，而不是直接迭代列。如果有多个具有相同名称的列，也会出现问题。如果你想迭代列，我建议:

for series in (df.iloc[:,i] for i in range(df.shape[1])):
   ...

2022-11-07 01:31:03

假设x因素，y标签(多列):

columns = [c for c in _df.columns if c in ['col1', 'col2','col3']]  #or '..c not in..'
_df.set_index(columns, inplace=True)
print( _df.index)

X, y =  _df.iloc[:,:4].values, _df.index.values

2021-12-12 09:20:42

一种解决方法是转置DataFrame并遍历各行。

for column_name, column in df.transpose().iterrows():
    print column_name

2015-07-22 17:40:19

如何在熊猫数据框架的列迭代运行回归

推荐文章

最新文章

标签