statsmodels是python中专门用于统计学分析的包，它能够帮我们在模型未知的情况下来检验模型的线性显著性

更多回归模型见：statsmodels-formula-api

在建立回归方程前首先导入库

import statsmodels.api as smimport statsmodels.formula.api as smffrom statsmodels.formula.api import ols #加载ols模型from statsmodels.formula.api import poisson

statsmodel实现回归的基本步骤：

输入回归方程fit model as resultprint result

如果想进行多种回归且因变量自变量不变，则可以暂时先把他们储存起来，后续在建立模型的时候就可以直接使用x, y

from patsy import dmatricesy, X = dmatrices('like ~ stars + text_len + sentiment + polarity', data=df, return_type="dataframe")model = sm.OLS(y, X)res = model.fit()print(res.summary())

1. 多元线性回归

# OLS regressionmodel_ols = smf.ols(formula='like ~ stars + text_len + sentiment + polarity',data=df)res_ols = model_ols.fit()print(res_ols.summary())

结果解释详见：详解用 statsmodels 进行回归分析

2. 泊松回归 (Poisson)

# poisson regressionmodel_pos = poisson(formula='''like ~ stars + text_len + sentiment + polarity''',data=df)results_pos = model_pos.fit()print(results_pos.summary())

聚集标准误

# cluster standard errormodel_pos_clu = poisson(formula='''like ~ stars + text_len + sentiment + polarity''',data=df)results_pos_clu = model_pos_clu.fit(cov_type='cluster', cov_kwds={'groups': df['business_id']})print(results_pos_clu.summary())

参考来源：Clustered standard errors in statsmodels with categorical variables (Python)

参数详解：statsmodels.regression.linear_model.OLS.fit

更多结果提取：python statsmodel 回归结果提取（回归系数、t值、pvalue、R方、、、、）