作为从R转Python的新手，带着R的思维来上手statsmodels完全没问题～你给出的这段最小工作示例已经走对了方向，我来帮你补全后续步骤，再把每个环节的逻辑理清楚：

1. 准备数据与创建数据框 #

首先是定义数据并转换成pandas数据框，这一步和R里创建data.frame的逻辑几乎一致，非常容易上手：

# 定义数据
Income = [80, 100, 120, 140, 160, 180, 200, 220, 240, 260]
Expend = [70, 65, 90, 95, 110, 115, 120, 140, 155, 150]

# 导入pandas并创建数据框
import pandas as pd
df1 = pd.DataFrame( {'Income': Income, 'Expend': Expend })

2. 用公式语法构建回归模型 #

statsmodels的formula.api模块专门支持类似R的公式语法，这对你来说应该很熟悉：

# 导入公式接口
import statsmodels.formula.api as smf

# 创建回归模型对象（注意这一步只是定义模型，还没拟合）
reg1 = smf.ols('Expend ~ Income', data = df1)

这里的Expend ~ Income和R里lm(Expend ~ Income, data = df)的公式逻辑完全一样，指定因变量在前，自变量在后，ols就是普通最小二乘回归的意思。

3. 拟合模型并查看结果 #

和R里创建模型后自动拟合不同，statsmodels需要显式调用.fit()方法来完成模型拟合，之后就能查看详细的回归结果了：

# 拟合模型
results = reg1.fit()

# 查看完整的回归统计结果（和R的summary()输出类似）
print(results.summary())

运行这段代码后，你会得到和R里summary(lm模型)类似的详细输出，包括系数估计值、R²、p值、标准误等关键统计指标。

几个常用的结果提取方法（对应R里的常用操作） #

如果你想单独提取某部分结果，可以用这些方法：

• 提取回归系数：results.params（对应R里coef(lm模型)）
• 生成预测值：results.predict(df1)（对应R里predict(lm模型)）
• 提取残差：results.resid（对应R里resid(lm模型)）

内容的提问来源于stack exchange，提问作者MYaseen208