Python 3.x scipy回归模型的残差和

我正在用python阅读一本统计工作簿，有一个实践性的问题让我很困惑。它与泊松回归有关，下面是问题陈述：-

执行以下任务：

从MASS package加载R数据集，并将数据捕获为数据帧

建立一个泊松回归模型，用一个 自变量、持有人和因变量索赔

用数据拟合模型

找到残差之和

我坚持上面第四点。有人能帮上忙吗

以下是我迄今为止所做的工作：-

import statsmodels.api as sm
import statsmodels.formula.api as smf
import numpy as np
df = sm.datasets.get_rdataset('Insurance', package='MASS', cache=False).data
poisson_model = smf.poisson('np.log(Holders) ~ -1 + Claims', df)
poisson_result = poisson_model.fit()
print(poisson_result.summary())

---

现在如何获得残差之和？

在泊松模型=smf.poisson（'np.log（Holders）~-1+Claims'，df）语句中，因变量“Claims”应位于右侧

泊松模型=smf.poisson（'索赔~np.log（持有人）-1'，df）

np.sum（泊松结果剩余）

很好

正如Karthikeyan指出的那样，您使用了错误的变量来构建泊松模型。 用这个代替

poisson_model=smf.poisson（'Claims~np.log（Holders）），df）

如果有人在寻找解决方案，则在“Fresco”中对其进行限定 1.a）从MASS package加载R数据集保险

1.b）并将数据捕获为数据帧

2） 建立一个泊松回归模型，包含一个自变量、持有人和因变量索赔的对数

3） 用数据拟合模型

4） 求残差之和

import statsmodels.api as sm
import statsmodels.formula.api as smf
import pandas as pd
import numpy as np

#load the R data set insurrance from MASS package
ins = sm.datasets.get_rdataset('Insurance','MASS').data
# capture the data as pandas data frame
ins_pd = pd.DataFrame(ins)
# build a poisson regressions model with
# a log of an independent variable "Holders" 
# and dependent variable "Claims"
# fit the model with data
result = smf.poisson('Claims ~ np.log(Holders)',data=ins).fit()
# you can also use
# model = smf.poisson('Claims ~ np.log(Holders)',data=ins)
# result = model.fit()

# Find tue sum of residuals
print('Sum ot the residuals:',np.sum(result.resid))

我在这方面是新手，所以我不知道将数据捕获为panda dataframe是否合适，但现在就告诉我

问候

湿壁画Mex

import statsmodels.api as sm
import statsmodels.formula.api as smf
import pandas as pd
import numpy as np

df_data=sm.datasets.get_rdataset("Insurance","MASS").data
df_dataf= pd.DataFrame(df_data)
insurance_model=smf.poisson('Claims ~ np.log(Holders)',df_data)
insurance_model_result=insurance_model.fit()
print(np.sum(insurance_model_result.resid))

---

我不知道它是否有效，但我参考了这些文件

所以我希望这也能奏效

import statsmodels.api as sm
import  statsmodels.formula.api as smf 
import numpy as np
import pandas as pd 

data=pd.DataFrame(sm.datasets.get_rdataset("Insurance","MASS",cache=True).data)
model=smf.poisson('Claims ~ District + Group + Age + np.log(Holders)',data).fit()
print(np.sum(model.resid))

对于这个问题，请尝试

np.cumsum（model.resid）

---

理想情况下，

np.sum（model.resid）

应该是这个问题的正确答案。。。但是如果系统不接受它，请尝试使用

cumsum

尝试下面的壁画播放代码

import statsmodels.api as sm
import statsmodels.formula.api as smf
import pandas as pd
import numpy as np
df_insurance=sm.datasets.get_rdataset("Insurance","MASS")
df_data=df_insurance.data
insurance_model=smf.poisson('Claims ~ np.log(Holders)', df_data).fit()
print(np.cumsum(insurance_model.resid))

---

只需执行：

np.sum（poisson\u result.resid）

虽然我得到的输出是180，但它仍然表示答案不知何故是错误的。正在尝试找出如何欢迎堆栈溢出！使用格式化工具使文章更具可读性。代码块应类似于代码块。如果需要，请使用粗体斜体。我得到如下输出：优化成功终止。当前函数值：3.468160迭代7 6.679101716144942e-13以下答案未被FP练习排除------>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>。当前函数值：3.468160迭代7 6.679101716144942e-13您能解释为什么需要cumsum而不是sum吗？

import statsmodels.api as sm
import statsmodels.formula.api as smf
import pandas as pd
import numpy as np
df_insurance=sm.datasets.get_rdataset("Insurance","MASS")
df_data=df_insurance.data
insurance_model=smf.poisson('Claims ~ np.log(Holders)', df_data).fit()
print(np.cumsum(insurance_model.resid))