使用statsmodels.formula.api进行多元Logit回归报错求助

问题原因 #

statsmodels的mnlogit公式接口会自动将字符串类型的因变量转换为多列虚拟变量（one-hot编码），但mnlogit要求因变量是单列整数型分类标识（代表每个样本对应的类别索引），这一矛盾导致了报错。

修复步骤 #

1. 将字符串因变量转换为整数编码 #

用pandas的factorize()方法把字符串类别转换成从0开始的整数编码，同时保留原类别映射：

import pandas as pd
import statsmodels.formula.api as smf

data = pd.DataFrame({
    'choice': ['A', 'B', 'A', 'C', 'B', 'C', 'A', 'B', 'C', 'A'],
    'feature1': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
    'feature2': [10, 9, 8, 7, 6, 5, 4, 3, 2, 1]
})

# 生成整数编码与原类别映射
data['choice_code'], categories = pd.factorize(data['choice'])

2. 使用编码后的变量构建模型 #

把公式中的choice替换为编码后的choice_code：

model = smf.mnlogit(formula='choice_code ~ feature1 + feature2', data=data).fit()

3. 结果解读时映射回原类别 #

若需要对应原类别解读结果，可通过categories变量还原编码与类别的对应关系：

print(model.summary())
# 输出类别编码映射
print(f"类别编码对应: {dict(zip(range(len(categories)), categories))}")

额外说明 #

• 也可使用data['choice'].astype('category').cat.codes完成编码转换，但factorize()会直接返回编码与原类别，更便于后续映射。
• 必须确保传入mnlogit的因变量是单列整数类型，禁止使用one-hot编码后的多列数据。

内容的提问来源于stack exchange，提问作者Brian Bull