嘿，恭喜你成功把模型加载进来啦！这第一步已经迈得很棒了～ 既然你用的是statsmodels（结合pandas、numpy），咱们就从最常用的几个操作入手，一步步和模型互动：

1. 先看看模型的基本信息 #

statsmodels的模型都自带一个超级实用的summary()方法，能输出模型的详细统计结果，比如系数、p值、R²这些关键指标，帮你快速回顾模型的情况：

# 输出模型的详细统计摘要
print(model.summary())

2. 用模型做预测（最核心的操作） #

这应该是你最关心的部分！要注意输入数据的格式必须和你训练模型时的格式完全一致——比如训练时用的是带列名的pandas DataFrame，预测时也要传结构相同的DataFrame；如果是numpy数组，维度和特征顺序得和训练数据匹配。

举个例子：

import pandas as pd
import numpy as np

# 假设你的模型训练时用的特征是["feature1", "feature2", "feature3"]
# 方法1：用pandas DataFrame传入（推荐，不容易搞混特征顺序）
new_data = pd.DataFrame({
    "feature1": [1.2, 3.4],
    "feature2": [5.6, 7.8],
    "feature3": [9.0, 2.3]
})

# 方法2：用numpy数组传入（要确保特征顺序和训练时完全一致）
new_data_np = np.array([[1.2,5.6,9.0], [3.4,7.8,2.3]])

# 执行预测
predictions = model.predict(new_data)
# 或者用numpy数组的版本：predictions = model.predict(new_data_np)

print("预测结果：", predictions)

⚠️ 重要提醒：如果训练数据做过预处理（比如标准化、归一化、分类特征编码），那新数据必须做完全一样的预处理，不然预测结果会完全不准哦！

3. 访问模型的其他属性 #

除了预测，你还能直接调取模型的各种属性，比如：

• model.params：查看模型的系数（权重）
• model.resid：查看训练数据的残差（真实值-预测值）
• model.fittedvalues：查看训练数据的拟合预测值
• model.rsquared：查看模型的R²得分（针对回归模型）

示例代码：

# 查看模型系数
print("模型系数：\n", model.params)

# 查看R²得分（如果是回归模型）
print("模型R²得分：", model.rsquared)

4. 其他小技巧 #

如果不确定模型支持哪些方法和属性，可以用Python内置的dir()函数查看：

# 列出模型所有可用的方法和属性
print(dir(model))

挑带predict、summary这类关键词的去试，大概率就是你需要的功能～

内容的提问来源于stack exchange，提问作者cheznead