Python OLS statsmodels T Статистика переменных, не введенных в модель - PullRequest
Новая
       40

Python OLS statsmodels T Статистика переменных, не введенных в модель

0 голосов
/ 24 октября 2018

Привет, мы создали регрессию OLS с использованием Statsmodels.

Я написал некоторый код, который перебирает каждую переменную в кадре данных и вводит его в модель, а затем записывает T Stat в новом кадре данных и создаетсписок потенциальных переменных.

Однако у меня есть 20 000 переменных, поэтому каждый раз для запуска требуются возрасты.

Может кто-нибудь придумать лучший подход?

Это мой текущий подход

TStatsOut=pd.DataFrame()

for i in VarsOut:
    try:
        xstrout='+'.join([baseterms,i])
        fout='ymod~'+xstrout
        modout = smf.ols(fout, data=df_train).fit()
        j=pd.DataFrame(modout.pvalues,index=[i],columns=['PValue'])
        k=pd.DataFrame(modout.params,index=[i],columns=['Coeff'])
        s=pd.concat([j, k], axis=1, join_axes=[j.index])
        TStatsOut=TStatsOut.append(s)

1 Ответ

0 голосов
/ 24 октября 2018

Вот что я нашел в связи с вашим вопросом.В моем ответе используется подход dask для распределенных вычислений, а также просто общая очистка вашего текущего подхода.

Я создал меньший поддельный набор данных с 1000 переменных, одна будет результатом, а две -быть baseterms, так что на самом деле есть 997 переменных для прохождения.

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

#make some toy data for the case you showed
df_train = pd.DataFrame(np.random.randint(low=0,high=10,size=(10000, 1000)))
df_train.columns = ['var'+str(x) for x in df_train.columns]
baseterms = 'var1+var2'
VarsOut = df_train.columns[3:]

Базовая линия для вашего текущего кода (20 с + - 858 мс): 

%%timeit
TStatsOut=pd.DataFrame()

for i in VarsOut:
xstrout='+'.join([baseterms,i])
fout='var0~'+xstrout
modout = smf.ols(fout, data=df_train).fit()
j=pd.DataFrame(modout.pvalues,index=[i],columns=['PValue'])
k=pd.DataFrame(modout.params,index=[i],columns=['Coeff'])
s=pd.concat([j, k], axis=1, join_axes=[j.index])
TStatsOut=TStatsOut.append(s)

Создана функция для удобства чтения, но возвращает вместо нее только pval и коэффициент регрессии для каждой проверяемой переменнойиз одной строки данных. 

def testVar(i):
    xstrout='+'.join([baseterms,i])
    fout='var0~'+xstrout
    modout = smf.ols(fout, data=df_train).fit()
    pval=modout.pvalues[i]
    coef=modout.params[i]
    return pval, coef

Теперь работает с (14,1 с + - 982 мс) 

%%timeit
pvals=[]
coefs=[]

for i in VarsOut:
    pval, coef = testVar(i)
    pvals.append(pval)
    coefs.append(coef)

TStatsOut = pd.DataFrame(data={'PValue':pvals, 'Coeff':coefs},
                         index=VarsOut)[['PValue','Coeff']]

Использование Dask с задержкой для параллельной обработки.Имейте в виду, что каждое созданное отложенное задание также вызывает небольшие накладные расходы, поэтому иногда это может быть не выгодно, но будет зависеть от вашего точного набора данных и того, сколько времени занимает регрессия.Мой пример данных может быть слишком простым, чтобы показать какую-либо выгоду. 

#define the same function as before, but tell dask how many outputs it has
@dask.delayed(nout=2)
def testVar(i):
    xstrout='+'.join([baseterms,i])
    fout='var0~'+xstrout
    modout = smf.ols(fout, data=df_train).fit()
    pval=modout.pvalues[i]
    coef=modout.params[i]
    return pval, coef

Теперь пропустите 997 переменных-кандидатов и создайте тот же кадр данных с задержкой dask.(18,6 с + - 588 мс) 

%%timeit
pvals=[]
coefs=[]

for i in VarsOut:
    pval, coef = dask.delayed(testVar)(i)
    pvals.append(pval)
    coefs.append(coef)

pvals, coefs = dask.compute(pvals,coefs)    
TStatsOut = pd.DataFrame(data={'PValue':pvals, 'Coeff':coefs},
                         index=VarsOut)[['PValue','Coeff']]

Опять-таки, отсроченная работа создает дополнительные накладные расходы, поскольку создает задачи для отправки на многие процессоры, поэтому любой выигрыш в производительности будет зависеть от времени, которое ваши данные на самом деле занимаютрегрессии, а также сколько процессоров у вас есть.Dask можно масштабировать с одной рабочей станции до кластера рабочих станций.

...