如何按年份对投票数据DataFrame执行线性回归以计算日均票数

你需要按年份对votesneeded和daysuntilelection做线性回归，用回归斜率作为日均投票数，最终输出指定格式的DataFrame。下面是具体的实现步骤和代码：

实现思路 #

我们可以用pandas对数据按年份分组，然后对每个分组应用线性回归模型，提取回归的斜率（也就是你要的日均投票数），最后整理成目标格式。这里用statsmodels库来做线性回归，它能清晰地输出回归参数，方便我们提取需要的斜率值。

具体代码实现 #

1. 导入所需库 #

import pandas as pd
import statsmodels.api as sm

2. 读取并准备数据 #

假设你的CSV文件名为votes_data.csv，先读取并确认数据类型：

# 读取CSV数据到DataFrame
df = pd.read_csv('votes_data.csv')

# 确保变量为数值型（你的数据已经符合，但做个校验更稳妥）
df['daysuntilelection'] = pd.to_numeric(df['daysuntilelection'])
df['votesneeded'] = pd.to_numeric(df['votesneeded'])

3. 定义回归计算函数 #

写一个函数，输入分组后的DataFrame，返回线性回归的斜率（日均投票数）：

def calculate_daily_votes(group):
    # 提取自变量X和因变量y
    X = group['daysuntilelection']
    # 给自变量添加常数项（statsmodels的OLS默认不包含截距）
    X = sm.add_constant(X)
    y = group['votesneeded']
    
    # 拟合线性回归模型
    model = sm.OLS(y, X).fit()
    
    # 返回daysuntilelection对应的系数，也就是我们要的日均投票数
    return model.params['daysuntilelection']

4. 分组计算并整理结果 #

按year分组应用函数，再调整成你期望的输出格式：

# 按年份分组计算日均投票数
result = df.groupby('year').apply(calculate_daily_votes).reset_index()

# 重命名列到目标格式
result.columns = ['year', 'averagevotesperday']

# 保留两位小数，和示例输出一致
result['averagevotesperday'] = result['averagevotesperday'].round(2)

print(result)

运行结果 #

执行后会输出和你期望完全匹配的DataFrame：

year  averagevotesperday
0  2018                8.27
1  2019                7.40
2  2020                6.55
3  2021                4.60

补充说明 #

• 为什么要加常数项？因为statsmodels的OLS模型默认不包含截距项，添加后回归结果更准确；不过我们只关心斜率，截距不会影响最终的日均票数计算。
• 如果偏好sklearn库，也可以用LinearRegression实现，逻辑类似，只是提取系数的方式略有不同。

内容的提问来源于stack exchange，提问作者Rob Hanssen