现在，您从公式中需要的术语列表开始，然后尝试将它们粘贴到一个复杂的字符串中，patsy 将解析并转换回术语列表。可以看到patsy为这种公式生成的数据结构（ModelDesc.from_formula是patsy的解析器）：
In [7]: from patsy import ModelDesc
In [8]: ModelDesc.from_formula("y ~ x1 + x2 + x3")
Out[8]:
ModelDesc(lhs_termlist=[Term([EvalFactor('y')])],
rhs_termlist=[Term([]),
Term([EvalFactor('x1')]),
Term([EvalFactor('x2')]),
Term([EvalFactor('x3')])])
这可能看起来有点吓人，但实际上非常简单——你有一个ModelDesc，它代表一个公式，它有一个左侧的术语列表和一个右侧的列表的条款。每个术语由一个Term 对象表示，每个Term 都有一个因子列表。 （这里每个术语只有一个因素——如果您有任何交互，那么这些术语将有多个因素。）此外，“空交互”Term([]) 是 patsy 表示截距术语的方式。
因此，您可以通过直接创建您想要的术语并将它们传递给 patsy 来避免所有这些复杂的引用/解析内容，跳过字符串解析步骤
from patsy import ModelDesc, Term, LookupFactor
response_terms = [Term([LookupFactor(response)])]
# start with intercept...
model_terms = [Term([])]
# ...then add another term for each candidate
model_terms += [Term([LookupFactor(c)]) for c in candidates]
model_desc = ModelDesc(response_terms, model_terms)
现在您可以将 model_desc 对象传递给通常会传递 patsy 公式的任何函数：
ols(model_desc, data).fit().rsquared_adj
这里还有一个技巧：您会注意到第一个示例有 EvalFactor 对象，而现在我们使用的是 LookupFactor 对象。不同之处在于EvalFactor 接受一串任意 Python 代码，如果你想写类似np.log(x1) 的东西，这很好，但如果你有像weight.in.kg 这样的变量，那就很烦人了。 LookupFactor 直接取变量名在你的数据中查找，所以不需要进一步引用。
或者，您可以使用一些更高级的 Python 字符串处理来做到这一点，例如：
quoted = ["Q('{}')".format(c) for c in candidates]
formula = "{} ~ {} + 1".format(response, ' + '.join(quoted))
但是，虽然这开始有点简单，但它更脆弱 - 例如，考虑（或尝试）如果您的参数之一包含引号字符会发生什么！您应该永远在处理管道中编写这样的东西，其中候选名称来自您无法控制的其他地方（例如随机 CSV 文件）——您可能会执行各种任意代码.上述解决方案避免了所有这些问题。
参考：