使用Pandas进行多元普通最小二乘回归时遇数据类型错误求助

你的错误提示'Pandas data cast to numpy dtype of object. Check input data with np.asarray(data)'，核心原因是预测变量矩阵X里存在非数值类型的列（比如字符串、未编码的分类变量），statsmodels的OLS模型只接受数值型输入。另外代码里还有个明显的大小写错误，先一起修正：

1. 先改代码里的大小写bug #

你写的X = sm.add_constant(x)里用了小写x，但前面定义的是大写X，这会直接报未定义错误，先改成：

X = sm.add_constant(X)

2. 检查并清理非数值型列 #

第一步：查看X中各列的数据类型 #

运行下面的代码，找出哪些列是object类型：

print(X.dtypes)

只要输出里有object，这些就是问题所在——比如带字符串的分类变量（像city、type这类列），OLS模型没法直接处理这类数据。

第二步：处理非数值列 #

• 分类变量（字符串/枚举）：用独热编码转成数值格式，直接用pandas的get_dummies方法：

  X = pd.get_dummies(X, drop_first=True)
  

• 无意义的文本/非结构化数据：直接删掉这类列，或者通过特征工程将其转换为数值型特征（比如计数、自定义编码）。

第三步：确认目标变量Y是数值型 #

顺便检查下目标变量的类型：

print(Y.dtypes)

如果Y是object类型，转成数值格式：

Y = pd.to_numeric(Y, errors='coerce')

errors='coerce'会把无法转换的内容设为NaN，之后记得处理这些缺失值。

3. 修正后的完整代码示例 #

import statsmodels.api as sm
import pandas as pd

# 基于你的原始代码修改
cols = newdf.drop(['distance', 'duration','short_id'],axis=1)
X = cols
Y = newdf['distance']

# 处理非数值列：对object类型列做独热编码
X = pd.get_dummies(X, drop_first=True)
# 添加常数项（修正大小写错误后）
X = sm.add_constant(X)
# 拟合模型
resultmodel = sm.OLS(Y,X).fit()
print(resultmodel.summary())

额外提醒：处理缺失值 #

如果数据里存在缺失值，也可能触发类型转换错误，先检查并处理：

# 查看每列的缺失值数量
print(X.isnull().sum())
# 示例：用均值填充缺失值
X = X.fillna(X.mean())
Y = Y.fillna(Y.mean())

内容的提问来源于stack exchange，提问作者Caledonian26