Python 如何将statsmodels公式和参数保存为文本，以便以后进行预测？

python中的Statsmodels提供了一种很好的方法，可以使用各种R样式的公式进行线性拟合，并根据结果进行预测。进行预测所需的一切都应该包含在公式和拟合参数列表中。我只想保存这些（例如，在文本配置文件或其他脚本中，这样就不会有pickle等）

那么，只要给出原始公式和拟合参数，有没有简单的方法重建模型并进行预测

我也愿意选择

statsmodels

的替代方案

例如：

将numpy导入为np
将statsmodels.formula.api作为sm导入
作为pd进口熊猫
将matplotlib.pyplot作为plt导入
#示例数据
x=np.mgrid[-1:1:10000j]
y=np.sin（x*5）
z=1+2*x+3*y+4*x*y+5*x**2+6*y**2+（np.random.rand（len（x））-.5）
df=pd.DataFrame（data=np.c_uux，y，z]，columns=['x'，'y'，'z']）
#拟合数据
公式='z~1+x*y+I（x**2）+I（y**2）'
结果=sm.ols（公式，数据=df）.fit（）
打印（result.summary（））
#以文本格式保存公式和参数
保存的_公式='z~'+'+'.join（result.params.index）.replace（'Intercept'，'1'）#（这是必需的吗？）
已保存的参数=result.params.values
打印（保存的公式）
打印（保存的参数）
#加载公式/参数
model=result.predict#我一直在深入挖掘，它看起来像是
statsmodels
使用
patsy
作为函数语言，并生成数组来进行矩阵运算。因此，可以用patsy手动重新实现“预测”功能，如下所示：

# Save formula and params in text freindly way                                                                                        
#saved_formula = 'z ~ ' + '+'.join(result.params.index).replace('Intercept','1') # (is this necessary?)                               
saved_formula = formula                                                                                                               
saved_params = result.params.to_dict()                                                                                                
                                                                                                                                      
# Load the formula/params                                                                                                             
import patsy                                                                                                                          
def predict(data, formula) :                                                                                                          
    formula_rhs = formula.split('~')[1].strip()                                                                                       
    x_data = patsy.dmatrix(formula_rhs, data=df)                                                                                      
    ordered_terms = x_data.design_info.term_names                                                                                     
    ordered_params = list(map(saved_params.get, ordered_terms))                                                                       
    return x_data @ ordered_params                                                                                                  
                                                                                                                                      
model = lambda x : predict(x, saved_formula) 

这可以简化一点，但我担心重构矩阵中的参数顺序可能与原始矩阵不同。不确定这是否真的会引起关注，但我认为我所做的并不是。我更改了要保存为字典的参数。生成新的数据矩阵，然后在我知道列的顺序后，我从保存的参数dict中提取参数
# Save formula and params in text freindly way                                                                                        
#saved_formula = 'z ~ ' + '+'.join(result.params.index).replace('Intercept','1') # (is this necessary?)                               
saved_formula = formula                                                                                                               
saved_params = result.params.to_dict()                                                                                                
                                                                                                                                      
# Load the formula/params                                                                                                             
import patsy                                                                                                                          
def predict(data, formula) :                                                                                                          
    formula_rhs = formula.split('~')[1].strip()                                                                                       
    x_data = patsy.dmatrix(formula_rhs, data=df)                                                                                      
    ordered_terms = x_data.design_info.term_names                                                                                     
    ordered_params = list(map(saved_params.get, ordered_terms))                                                                       
    return x_data @ ordered_params                                                                                                  
                                                                                                                                      
model = lambda x : predict(x, saved_formula) 

import json
saved_params_string = json.dumps(saved_params)
json.loads(saved_params_string)