MOOC”用python玩转数据“里面的一个课程实例，我对代码做了一些修改。

源码：

import matplotlib.pyplot as plt

import pandas as pd

import statsmodels.api as sm

from sklearn import datasets

#导入数据源 sklearn

boston = datasets.load_boston()

X = boston.data

y = boston.target

print(X.shape)

# print(boston.DESCR)

#输出所有属性

i = 0

while i<=12:

fig,ax = plt.subplots(figsize=(3,3))

ax.scatter(X[:,i], y, color='blue')

i = i+1

# 将每列数据与价格之间的关系用散点图输出

# plt.subplot(13,1,i+1) 子图实现方式

Z = pd.DataFrame(X, columns = boston.feature_names)

w = pd.DataFrame(y, columns = ['MEDV'])

Z.drop('AGE', axis = 1, inplace = True)

Z.drop('INDUS', axis = 1, inplace = True)

#drop删除列需要手动添加axis=1

#如果手动设定为True(默认为False)，那么原数组直接就被替换。

Z_add1 = sm.add_constant(Z)

model = sm.OLS(w, Z_add1).fit()

# sm.OLS()为普通最小二乘回归模型， fit()用于拟合

print(model.summary())

print(model.params)

结果中主要的指标是修正后的

，表示模型对现实数据拟合的程度， 它是皮尔逊相关系数的平方， 从数值上说， R²介于 0~1 之间，越接近 1 表示拟合效果越好。本文的模拟结果是0.74左右。