在dplyr/broom中创建模型并扩充数据时保留额外列的方法

嘿，这个问题我太熟悉了！很多人在做拟合的时候容易不小心把标识列丢掉，其实只要稍微调整一下处理逻辑，就能轻松保留sample_id。下面给你两种常用的实现方式，基于Python的pandas和主流统计/机器学习库，你可以按需选择：

方法一：用statsmodels（适合需要统计指标的场景） #

如果你需要查看模型的R²、p值这类统计信息，statsmodels是绝佳选择。关键是始终保留原DataFrame的引用，不要单独拆分数据后就丢掉包含sample_id的原表：

import pandas as pd
import statsmodels.api as sm

# 模拟你的数据集（实际替换成你自己的DataFrame即可）
data = {
    'sample_id': ['S001', 'S002', 'S003', 'S004', 'S005'],
    'observation': [2.1, 3.5, 1.8, 4.2, 5.0],
    'estimate': [2.0, 3.7, 1.9, 4.0, 5.2]
}
df = pd.DataFrame(data)

# 准备模型变量：给自变量加上截距项
X = sm.add_constant(df['estimate'])
y = df['observation']

# 拟合线性模型
model = sm.OLS(y, X).fit()

# 直接把拟合值添加到原DataFrame里，sample_id完全保留
df['fitted_values'] = model.predict(X)

# 查看结果：所有列都在
print(df)

方法二：用scikit-learn（适合机器学习流水线场景） #

如果你的工作流更偏向机器学习，scikit-learn的线性回归接口更简洁，同样能轻松保留sample_id：

import pandas as pd
from sklearn.linear_model import LinearRegression

df = pd.DataFrame(data)  # 复用上面的模拟数据

# 初始化并拟合模型
lr_model = LinearRegression()
lr_model.fit(df[['estimate']], df['observation'])

# 计算拟合值并追加到原表
df['fitted_values'] = lr_model.predict(df[['estimate']])

# 检查结果，sample_id稳稳在列
print(df)

特殊场景：按sample_id分组拟合 #

如果你的数据集是每个sample_id对应一组观测值（比如一个样本有多行数据），可以用groupby来分组拟合，同样不会丢失标识列：

def fit_single_group(group):
    # 对每个分组单独拟合模型
    X = sm.add_constant(group['estimate'])
    y = group['observation']
    model = sm.OLS(y, X).fit()
    group['fitted_values'] = model.predict(X)
    return group

# 按sample_id分组拟合后合并结果
df_grouped = df.groupby('sample_id').apply(fit_single_group).reset_index(drop=True)

核心思路总结 #

不管用哪种方法，核心都是不要在处理过程中丢弃包含sample_id的原数据集——要么直接在原DataFrame上添加新列，要么拟合后将预测结果与原表（带sample_id）合并，这样就绝对不会丢失你的标识列了。

内容的提问来源于stack exchange，提问作者slhck