如何基于Pandas DataFrame将OLS回归改为Lasso与Ridge回归？

嘿，我来帮你梳理清楚这个问题！你之前用statsmodels跑OLS得心应手，现在想切换到Lasso和Ridge回归——其实statsmodels里确实没有像sklearn那样封装好的Lasso/Ridge实现，所以转向scikit-learn是完全正确的选择，不过你的代码还有几个小细节可以调整得更规范，我来一步步给你说明：

核心注意点：sklearn线性模型的截距处理 #

首先要明确：sklearn的线性模型默认不会把常数项作为特征输入，而是通过fit_intercept=True参数（默认开启）自动拟合截距项。所以你之前用sm.add_constant(x)给特征矩阵加常数列的操作是多余的，反而可能导致模型把这个常数列当成普通特征，最终截距计算出现偏差。

1. Lasso回归的完整实现 #

import pandas as pd
from sklearn import linear_model

# 假设你的数据集df、窗口参数window、特征列cols已经定义完成
y = df['SPXR_{}D'.format(window)]
x = df[cols]

# 初始化Lasso模型，alpha是正则化强度（值越大，惩罚越重，系数压缩越明显）
lasso_model = linear_model.Lasso(alpha=1.0, fit_intercept=True)
# 拟合模型
lasso_result = lasso_model.fit(x, y)

# 查看模型结果
print("Lasso回归系数：", lasso_result.coef_)
print("Lasso回归截距：", lasso_result.intercept_)
# 还可以输出模型的R²拟合优度
print("Lasso模型R²分数：", lasso_result.score(x, y))

2. Ridge回归的完整实现 #

Ridge的写法和Lasso几乎一致，只是换用linear_model.Ridge类：

# 初始化Ridge模型，同样通过alpha控制正则化强度
ridge_model = linear_model.Ridge(alpha=1.0, fit_intercept=True)
ridge_result = ridge_model.fit(x, y)

# 输出结果
print("Ridge回归系数：", ridge_result.coef_)
print("Ridge回归截距：", ridge_result.intercept_)
print("Ridge模型R²分数：", ridge_result.score(x, y))

额外补充说明 #

• alpha参数的作用：alpha是正则化惩罚的强度，当alpha=0时，Lasso/Ridge会退化为普通的OLS回归（不过Lasso在alpha=0时可能存在数值稳定性问题，此时更建议用sklearn的linear_model.LinearRegression来跑OLS）。你可以根据自己的数据集调整alpha值，比如通过交叉验证选择最优alpha。
• 如果非要用statsmodels？：statsmodels没有专门的Lasso/Ridge封装，虽然可以手动给OLS损失函数加正则项，但实现起来非常繁琐，远不如sklearn的方案简洁高效，所以更推荐使用scikit-learn完成正则化回归任务。

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