数值与分类变量间的简单线性回归相关技术问题咨询

1. 是否需要先转换为分类变量再做哑编码/独热编码？ #

不是强制要求，但非常建议这么做，原因如下：

• pandas的get_dummies()或sklearn的OneHotEncoder本身可以直接处理object类型列，但将列转为category类型后：
  • 能明确标记变量的分类属性，避免后续误将其当作数值变量处理
  • 节省内存（数据集较大时，category类型比object占用空间更少）
  • 可固定类别集合，防止后续新数据出现未见过的类别导致编码出错
• 转成category再编码和直接用object编码的结果一致，但前者更符合你对变量类型的定义要求。

示例转分类变量代码：

import pandas as pd

# 假设数据集名为df
df['ProductCategory'] = df['ProductCategory'].astype('category')
df['CustomerGender'] = df['CustomerGender'].astype('category')
df['CustomerLocation'] = df['CustomerLocation'].astype('category')
df['ProductRatings'] = df['ProductRatings'].astype('category')

2. 构建SalesAmount与ProductCategory的线性回归模型并预测 #

用Python的scikit-learn和pandas实现，步骤如下：

步骤1：对ProductCategory做独热编码 #

线性回归无法直接处理分类变量，需先编码：

# 生成哑变量，drop_first=True避免多重共线性
X = pd.get_dummies(df['ProductCategory'], drop_first=True)
# 目标变量
y = df['SalesAmount']

步骤2：划分训练集和测试集（推荐） #

为验证模型效果，拆分数据：

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

步骤3：训练线性回归模型 #

from sklearn.linear_model import LinearRegression

# 初始化并训练模型
model = LinearRegression()
model.fit(X_train, y_train)

步骤4：进行预测 #

# 对测试集预测
y_pred = model.predict(X_test)

# 对新的ProductCategory数据预测
new_data = pd.DataFrame({'ProductCategory': ['电子产品', '服装']})
new_X = pd.get_dummies(new_data['ProductCategory'], drop_first=True)
# 若新数据出现训练集没有的类别，建议用OneHotEncoder的handle_unknown='ignore'参数处理
new_pred = model.predict(new_X)

步骤5：模型评估（可选） #

简单评估拟合效果：

from sklearn.metrics import mean_squared_error, r2_score

print(f"均方误差(MSE): {mean_squared_error(y_test, y_pred):.2f}")
print(f"R²得分: {r2_score(y_test, y_pred):.2f}")

如果需要更详细的统计结果（如p值、系数显著性），可用statsmodels：

import statsmodels.api as sm

X_sm = sm.add_constant(X)
model_sm = sm.OLS(y, X_sm).fit()
print(model_sm.summary())

内容的提问来源于stack exchange，提问作者python_new