Python 使用ols对非变独立变量进行回归

这是我的数据集：

x   y   z

1   2   1
1   4   6
1   1   12
1   5   14
1   6   17
1   9   18

现在我想使用python中statsmodel库的ols函数对此进行回归。为此，我使用了：

lm=smf.ols（公式='z~x+I（x+y）'，data=data）.fit（）

现在我将得到x，（x+y）和截距的系数。由于自变量x在整个数据集中都是常数，其系数应为0，因为因变量z不依赖于x值。但我的输出与预期不同。我的输出是：

Intercept         1.293173
col1              1.293173
I(col1 + col2)    1.590361

Coefficients:
(Intercept)            x     I(x + y)  
      2.586           NA        1.590 

我使用相同的数据，使用以下函数找到R上的系数：

---

m检查results.summary（）末尾的注释，它应该说明您的模型的特征值接近于零。问题是完全共线，在R和statsmodel中处理方式不同，但我从R和statsmodel中得到的方程完全不同，这会给我的预测带来误差。你能详细解释一下特征值的事情吗。还有，我怎样才能克服这个问题？python中是否有其他包可用于预测？您的

x

变量是一个常数，包含所有的变量。它与拦截“冲突”。有两种解决方案：不考虑模型中的拦截或不使用模型公式中的x：<代码> MOD1