admin管理员组

文章数量:1030255

Python实现相关分析与线性回归分析

我们假设用户已经准备好.sav文件，已完成数据预处理。

代码语言：txt复制
import pandas as pd
import pyreadstat
import statsmodels.api as sm
import matplotlib.pyplot as plt
import seaborn as sns


def load_spss_data(file_path):
    """
    加载SPSS数据文件
    :param file_path: SPSS数据文件的路径
    :return: 包含数据的DataFrame
    """
    df, _ = pyreadstat.read_sav(file_path)
    return df


def descriptive_analysis(df):
    """
    进行描述性统计分析
    :param df: 数据DataFrame
    :return: 描述性统计结果
    """
    return df.describe()


def correlation_analysis(df):
    """
    进行相关分析
    :param df: 数据DataFrame
    :return: 相关系数矩阵
    """
    return df.corr()


def linear_regression(df, dependent_var, independent_vars):
    """
    进行线性回归分析
    :param df: 数据DataFrame
    :param dependent_var: 因变量
    :param independent_vars: 自变量列表
    :return: 线性回归结果
    """
    X = df[independent_vars]
    X = sm.add_constant(X)
    y = df[dependent_var]
    model = sm.OLS(y, X).fit()
    return model


def plot_correlation_matrix(corr_matrix):
    """
    绘制相关系数矩阵热力图
    :param corr_matrix: 相关系数矩阵
    """
    plt.figure(figsize=(10, 8))
    sns.heatmap(corr_matrix, annot=True, cmap='coolwarm')
    plt.title('Correlation Matrix')
    plt.show()


def plot_regression_results(model, independent_vars):
    """
    绘制线性回归结果图
    :param model: 线性回归模型
    :param independent_vars: 自变量列表
    """
    plt.figure(figsize=(10, 8))
    for var in independent_vars:
        plt.scatter(model.model.exog[:, model.model.exog_names.index(var)], model.resid)
        plt.axhline(y=0, color='r', linestyle='--')
        plt.xlabel(var)
        plt.ylabel('Residuals')
        plt.title(f'Residuals vs {var}')
        plt.show()


if __name__ == "__main__":
    # 替换为你的SPSS数据文件路径
    file_path = 'D:\\Projects\\Practice\\大学生生活满意度调查.sav'
    df = load_spss_data(file_path)

    # 描述性统计分析
    desc_stats = descriptive_analysis(df)
    print("Descriptive Statistics:")
    print(desc_stats)

    # 相关分析
    corr_matrix = correlation_analysis(df)
    print("Correlation Matrix:")
    print(corr_matrix)
    plot_correlation_matrix(corr_matrix)

    # 线性回归分析
    dependent_var = 'your_dependent_variable'
    independent_vars = ['your_independent_variable_1', 'your_independent_variable_2']
    model = linear_regression(df, dependent_var, independent_vars)
    print("Linear Regression Results:")
    print(model.summary())
    plot_regression_results(model, independent_vars)

Python实现相关分析与线性回归分析

我们假设用户已经准备好.sav文件，已完成数据预处理。

代码语言：txt复制
import pandas as pd
import pyreadstat
import statsmodels.api as sm
import matplotlib.pyplot as plt
import seaborn as sns


def load_spss_data(file_path):
    """
    加载SPSS数据文件
    :param file_path: SPSS数据文件的路径
    :return: 包含数据的DataFrame
    """
    df, _ = pyreadstat.read_sav(file_path)
    return df


def descriptive_analysis(df):
    """
    进行描述性统计分析
    :param df: 数据DataFrame
    :return: 描述性统计结果
    """
    return df.describe()


def correlation_analysis(df):
    """
    进行相关分析
    :param df: 数据DataFrame
    :return: 相关系数矩阵
    """
    return df.corr()


def linear_regression(df, dependent_var, independent_vars):
    """
    进行线性回归分析
    :param df: 数据DataFrame
    :param dependent_var: 因变量
    :param independent_vars: 自变量列表
    :return: 线性回归结果
    """
    X = df[independent_vars]
    X = sm.add_constant(X)
    y = df[dependent_var]
    model = sm.OLS(y, X).fit()
    return model


def plot_correlation_matrix(corr_matrix):
    """
    绘制相关系数矩阵热力图
    :param corr_matrix: 相关系数矩阵
    """
    plt.figure(figsize=(10, 8))
    sns.heatmap(corr_matrix, annot=True, cmap='coolwarm')
    plt.title('Correlation Matrix')
    plt.show()


def plot_regression_results(model, independent_vars):
    """
    绘制线性回归结果图
    :param model: 线性回归模型
    :param independent_vars: 自变量列表
    """
    plt.figure(figsize=(10, 8))
    for var in independent_vars:
        plt.scatter(model.model.exog[:, model.model.exog_names.index(var)], model.resid)
        plt.axhline(y=0, color='r', linestyle='--')
        plt.xlabel(var)
        plt.ylabel('Residuals')
        plt.title(f'Residuals vs {var}')
        plt.show()


if __name__ == "__main__":
    # 替换为你的SPSS数据文件路径
    file_path = 'D:\\Projects\\Practice\\大学生生活满意度调查.sav'
    df = load_spss_data(file_path)

    # 描述性统计分析
    desc_stats = descriptive_analysis(df)
    print("Descriptive Statistics:")
    print(desc_stats)

    # 相关分析
    corr_matrix = correlation_analysis(df)
    print("Correlation Matrix:")
    print(corr_matrix)
    plot_correlation_matrix(corr_matrix)

    # 线性回归分析
    dependent_var = 'your_dependent_variable'
    independent_vars = ['your_independent_variable_1', 'your_independent_variable_2']
    model = linear_regression(df, dependent_var, independent_vars)
    print("Linear Regression Results:")
    print(model.summary())
    plot_regression_results(model, independent_vars)

本文标签： Python实现相关分析与线性回归分析

版权声明：本文标题：Python实现相关分析与线性回归分析 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://it.en369.cn/jiaocheng/1747645094a2198022.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。