Patsy会自动在公式的右侧添加一个常量“截距”项。这导致一个设计矩阵的截距列全为 1。
例如
import pandas as pd
import patsy
data = patsy.demo_data("a", "b", "y")
# a b y
# 0 a1 b1 1.764052
# 1 a1 b2 0.400157
# 2 a2 b1 0.978738
# 3 a2 b2 2.240893
# 4 a1 b1 1.867558
# 5 a1 b2 -0.977278
# 6 a2 b1 0.950088
# 7 a2 b2 -0.151357
mat = patsy.dmatrices("y ~ a + b ", data, return_type='dataframe')[1]
print(mat)
产量
Intercept a[T.a2] b[T.b2]
0 1.0 0.0 0.0
1 1.0 0.0 1.0
2 1.0 1.0 0.0
3 1.0 1.0 1.0
4 1.0 0.0 0.0
5 1.0 0.0 1.0
6 1.0 1.0 0.0
7 1.0 1.0 1.0
Patsy 分析公式两边的表达式,并且仅在需要新项时才添加新项,以便为模型增加所需的灵活性。就设计矩阵而言,这意味着不添加新列,除非通过添加新列来扩展列所跨越的向量空间。换句话说,已经在其他列的跨度中的新列将是多余的,因此不会添加。
当您有一个必须等于 W、E、N、S 或 C 的分类变量时,知道该变量的值不是 W、E、N 或 S 就等于知道该变量等于 C。
查看上一个示例的输出。知道a
变量不a2
等于知道它等于a1
。就设计矩阵而言,包含一列不会增加列空间a1
,因为
Intercept - a2
是a1
. (下面,该a1
列标记为a[T.a1]
,对于 也是类似的a2
):
Intercept a[T.a2] b[T.b2] a[T.a1]
0 1.0 0.0 0.0 1.0
1 1.0 0.0 1.0 1.0
2 1.0 1.0 0.0 0.0
3 1.0 1.0 1.0 0.0
4 1.0 0.0 0.0 1.0
5 1.0 0.0 1.0 1.0
6 1.0 1.0 0.0 0.0
7 1.0 1.0 1.0 0.0
同样,在您的情况下,没有为分类值 C 添加任何列,因为 Intercept - (W + E + N + S) 等于 C。
现在我们可以回到你原来的代码,更清楚地理解结果:
import statsmodels.api as sm
from patsy import dmatrices
df = sm.datasets.get_rdataset('Guerry','HistData').data
vars_ = ['Department','Lottery','Literacy','Wealth','Region']
df = df[vars_]
df = df.dropna()
formula1 = 'Lottery ~ Literacy + Wealth + Region'
print(formula1)
y1, X1 = dmatrices(formula1, data=df, return_type='dataframe')
print('LHS: {}'.format(y1.columns.tolist()))
# ['Lottery'],
print('RHS: {}'.format(X1.columns.tolist()))
# ['Intercept', 'Region[T.E]', 'Region[T.N]', 'Region[T.S]', 'Region[T.W]', 'Literacy', 'Wealth']
formula2 = 'Literacy + Wealth + Region ~ Lottery'
print(formula2)
y2, X2 = dmatrices(formula2, data=df, return_type='dataframe')
print('LHS: {}'.format(y2.columns.tolist()))
# ['Region[C]', 'Region[E]', 'Region[N]', 'Region[S]', 'Region[W]', 'Literacy', 'Wealth']
print('RHS: {}'.format(X2.columns.tolist()))
# ['Intercept', 'Lottery']
请注意,anIntercept
已自动添加到每个公式的右侧
。当公式的同一侧同时存在截距项和分类变量时,分类变量的一个值总是缺失,因为它的存在不会扩大设计矩阵的列空间。
您可以通过+ 0
在公式右侧包含或包含- 1
. 他们都做同样的事情。
formula3 = 'Lottery ~ Literacy + Wealth + Region + 0'
print(formula3)
y1, X1 = dmatrices(formula3, data=df, return_type='dataframe')
print('LHS: {}'.format(y1.columns.tolist()))
print('RHS: {}'.format(X1.columns.tolist()))
现在,右侧有一Region[C]
列:
LHS: ['Lottery']
RHS: ['Region[C]', 'Region[E]', 'Region[N]', 'Region[S]', 'Region[W]', 'Literacy', 'Wealth']