如何在Python中实现基于矩阵运算的线性回归（含Pandas数据处理）

没问题，咱们直接用Python的numpy库来手动完成这个计算，完全按照你给出的公式来，步骤很清晰：

步骤1：导入必要的库 #

首先需要导入numpy，它能帮我们轻松处理矩阵转置、乘法和求逆这些操作：

import numpy as np

步骤2：定义你的数据集 #

把你给出的Y和X矩阵转换成numpy的数组格式，注意要保证维度正确（X是6行3列，Y是6行1列的列向量，这样矩阵运算才会合法）：

# 响应变量Y
Y = np.array([140, 150, 160, 135, 170, 180]).reshape(-1, 1)  # 转成6x1的列向量

# 预测变量矩阵X
X = np.array([
    [1, 10, 1],
    [1, 15, 1],
    [1, 20, 1],
    [1, 12, 0],
    [1, 16, 0],
    [1, 20, 0]
])

步骤3：按照公式计算回归系数β #

咱们一步步拆解公式：

1. 计算X的转置 X.T
2. 计算 X.T @ X（矩阵乘法，numpy里@或者dot()都可以）
3. 求上述结果的逆矩阵 np.linalg.inv()
4. 计算 X.T @ Y
5. 最后把逆矩阵和X.T @ Y相乘，得到β

代码实现如下：

# 计算X的转置
X_transpose = X.T

# 计算XᵀX
XtX = X_transpose @ X

# 计算XᵀX的逆矩阵
XtX_inv = np.linalg.inv(XtX)

# 计算XᵀY
XtY = X_transpose @ Y

# 计算回归系数β
beta = XtX_inv @ XtY

步骤4：查看结果 #

打印β就能得到三个系数：

print("回归系数β：")
print(f"β₀（截距）: {beta[0][0]:.4f}")
print(f"β₁（age的系数）: {beta[1][0]:.4f}")
print(f"β₂（gender的系数，male=1）: {beta[2][0]:.4f}")

运行这段代码后，你就能得到符合公式的回归系数了。如果想验证一下，可以用X @ beta计算预测值，和原始Y对比看看差异。

内容的提问来源于stack exchange，提问作者Jack