如何干净地绘制 statsmodels 线性回归 (OLS)

Question

问题陈述：

我在 pandas 数据框中有一些不错的数据。我想对其进行简单的线性回归：

使用 statsmodels，我执行回归。现在，我如何获得我的情节？我试过 statsmodels 的plot_fit 方法，但情节有点古怪：

我希望得到一条代表回归实际结果的水平线。

Statsmodels 有一个 variety of methods for plotting regression (a few more details about them here) 但它们似乎都不是超级简单的“只需在数据之上绘制回归线”——plot_fit 似乎是最接近的东西。

问题：

• 上面的第一张图片来自pandas的plot函数，它返回一个matplotlib.axes._subplots.AxesSubplot。我可以轻松地将回归线覆盖到该图上吗？
• statsmodels 中是否有我忽略的函数？
• 有没有更好的方法来组合这个数字？

两个相关问题：

• Plotting Pandas OLS linear regression results
• Getting the regression line to plot from a Pandas regression

似乎都没有一个好的答案。

样本数据

根据@IgorRaush 的要求

        motifScore  expression
6870    1.401123    0.55
10456   1.188554    -1.58
12455   1.476361    -1.75
18052   1.805736    0.13
19725   1.110953    2.30
30401   1.744645    -0.49
30716   1.098253    -1.59
30771   1.098253    -2.04

abline_plot

我试过这个，但它似乎不起作用......不知道为什么：

Answer 1

正如我在 cmets 中提到的，seaborn 是统计数据可视化的绝佳选择。

import seaborn as sns

sns.regplot(x='motifScore', y='expression', data=motif)

---

或者，您可以使用statsmodels.regression.linear_model.OLS 并手动绘制回归线。

import statsmodels.api as sm

# regress "expression" onto "motifScore" (plus an intercept)
model = sm.OLS(motif.expression, sm.add_constant(motif.motifScore))
p = model.fit().params

# generate x-values for your regression line (two is sufficient)
x = np.arange(1, 3)

# scatter-plot data
ax = motif.plot(x='motifScore', y='expression', kind='scatter')

# plot regression line on the same axes, set x-axis limits
ax.plot(x, p.const + p.motifScore * x)
ax.set_xlim([1, 2])

---

另一个解决方案是statsmodels.graphics.regressionplots.abline_plot，它消除了上述方法的一些样板。

import statsmodels.api as sm
from statsmodels.graphics.regressionplots import abline_plot

# regress "expression" onto "motifScore" (plus an intercept)
model = sm.OLS(motif.expression, sm.add_constant(motif.motifScore))

# scatter-plot data
ax = motif.plot(x='motifScore', y='expression', kind='scatter')

# plot regression line
abline_plot(model_results=model.fit(), ax=ax)