Python怎么做线性回归_statsmodels与sklearn单变量回归

做线性回归，Python 里最常用的两套工具就是 statsmodels 和 sklearn。很多新手（甚至老手）在切换使用时，经常被一些看似微小的细节卡住：报错说维度不对、截距莫名其妙多了一个、预测时特征数不匹配……今天就把这些最常见的坑一次性说清楚，顺便把两个库的核心差异也理一理。

statsmodels 的 OLS 为什么总报 ValueError: endog must be 1-dimensional

这个错误几乎天天有人问。原因很简单：statsmodels.api.OLS 要求因变量（endog）必须是严格的一维数组，而你传进去的恰恰是 shape 为 (n, 1) 的二维结构——最常见的就是用了 df[['y']] 而不是 df['y']，或者从 sklearn 那边拿过来的数据没做压平处理。

• 正确做法：用 y = df['y'].values.ra vel() 或 y = df['y'].squeeze()，确保 y.shape == (n,)。
• 如果用的是 pandas，df['y'] 返回的是 Series，天然一维；而 df[['y']] 返回的是 DataFrame，二维——这个区别很多人一开始没留意。
• 另外，OLS 不会自动对齐索引。如果 X 和 y 的索引不一致（比如删过行），结果会静默错位，建议先 reset_index(drop=True) 再建模。

sklearn 的 LinearRegression 需不需要手动加截距项

不需要。默认就带截距（fit_intercept=True），而且它把截距当参数单独学，不在 X 里拼一列 1。这一点和 statsmodels 的思路完全不同。

• 如果你手动在 X 前面加了一列 np.ones(n)，又没关掉 fit_intercept，模型会拟合出两个截距项，结果完全不可靠。
• 想强制过原点？设 fit_intercept=False，这时才需要确认 X 里没有冗余的常数列。
• 注意：sklearn 要求输入 X 必须是二维（哪怕只有一个特征也要用 reshape(-1, 1)），而 y 是一维——这和 statsmodels 的要求刚好相反，切换时最容易搞混。

预测时 predict() 报 ValueError: X has 1 features, but LinearRegression is expecting 2 features

这说明训练时 X 是二维（比如 df[['x']]），但预测时却传了一维数据（比如 [x0] 或 np.array([x0])）。

• 单样本预测要写成：model.predict([[x0]]) 或 model.predict(np.array([[x0]]))。
• 批量预测时，确保 X_new.shape[1] 和训练时一致；用 df[['x']].values 比 df['x'].values 更安全，因为前者始终是二维。
• statsmodels 的 predict() 相对宽松些，能接受一维输入，但前提是你建模时用了 add_constant() 且维度匹配——很多人会漏掉这一步。

结果怎么看：sklearn 输出系数，statsmodels 输出完整统计表

两者定位不同。sklearn 给你 coef_ 和 intercept_，干净利落，适合快速部署和预测；statsmodels 的 summary() 则包含 t 值、p 值、R²、置信区间，更适合做推断和假设检验。

• 想快速上线？用 sklearn，.predict() 直接可用，模型序列化也简单（joblib）。
• 要检验变量显著性、看残差分布、做假设检验？必须用 statsmodels，而且记得调用 add_constant(X) 再传给 OLS。
• 两者 R² 的计算方式一致（都是解释方差占比），但 statsmodels 默认报告调整 R²（Adj. R-squared），更严谨。

实际用的时候，最常卡住的真不是公式理解，而是维度对不上、索引没对齐、还有那个神出鬼没的常数列。多打两次 shape 和 ndim，比硬猜快得多。