OLS Regression Results
==============================================================================
Dep. Variable: x R-squared: 0.004
Model: OLS Adj. R-squared: -0.006
Method: Least Squares F-statistic: 0.3809
Date: Fri, 04 Jun 2021 Prob (F-statistic): 0.539
Time: 10:15:52 Log-Likelihood: -493.47
No. Observations: 104 AIC: 990.9
Df Residuals: 102 BIC: 996.2
Df Model: 1
Covariance Type: nonrobust
==============================================================================
coef std err t P>|t| [0.025 0.975]
------------------------------------------------------------------------------
Intercept 46.9506 3.145 14.930 0.000 40.713 53.188
y -0.3424 0.555 -0.617 0.539 -1.443 0.758
==============================================================================
Omnibus: 28.683 Durbin-Watson: 2.046
Prob(Omnibus): 0.000 Jarque-Bera (JB): 52.685
Skew: 1.138 Prob(JB): 3.63e-12
Kurtosis: 5.642 Cond. No. 6.52
==============================================================================
代码
import pandas as pd
import numpy
import scipy.stats as stats
import openpyxl
import csv
import re
from sklearn.linear_model import LinearRegression
import statsmodels.api as sm
from statsmodels.formula.api import ols
from pandas import Panel
df = pd.DataFrame(pd.read_excel(r'C:\Users\chenj\Desktop\COPD血清因子浓度.xlsx'))
df1=open(r'C:\Users\chenj\Desktop\R语言和python分析COPD血清因子和吸烟、生物燃料分段线性\BS normal人群香烟烟雾暴露的影响.csv','w',newline='') #newline='' 行与行之间没有空行了。以只读的模式建立一个空的CSV文件，新文件会覆盖旧文件。请注意。
writer=csv.writer(df1) # 可以理解为初始化csv
writer.writerow('BSE normal人群生物燃料暴露线性关系') # 在CSV文件上写入‘表头’。第一行是表头，所以，这句写在最前面
writer.writerow(['因子','b','p']) # 接着写入列的名称
#exposed_factors=['吸烟年包','生物年时']
exposed_factor='吸烟年包'
tested_factors=['IL1b','IL4','IL5','IL6','IL13','IL17','IFNr','EOTAXIN','IP10','MIP1a','MIP1b','PDGFbb','VEGF']
df2 = df.loc[(df['分组'] == 7)]
# 去除无暴露因素的人群，也就是说仅选择有暴露的人群
df2 = df2.dropna(subset=[exposed_factor]) # 去除相关列名有空格的行
print(df1)
df2 = df2.dropna(subset=['IL1b'])
x = df2[exposed_factor].values.reshape(-1, 1) # 必须是.value 然后再reshape(-1.1)转成1行。
y = df2['IL1b'].values.reshape(-1, 1)
# print(x)
lm_s = ols('x~y', data=df2).fit()
# y=a+bx
print(lm_s.summary())运行后得到的结果如上所述。现在想提b值的95%可信区间：黑色粗体字的结果 -1.443 0.758
要获得b值的95%置信区间，您可以使用lm_s.conf_int()方法，它将返回一个数组，其中包含b值的下限和上限。默认情况下，这将为95％置信区间，您可以使用alpha参数更改置信水平。例如，如果您希望使用90％的置信水平，可以将alpha设置为0.1，如下所示：
conf_int = lm_s.conf_int(alpha=0.1)
然后，您可以使用以下代码打印出b值的下限和上限：
print('Lower bound:', conf_int[1][0])
print('Upper bound:', conf_int[1][1])
请注意，conf_int返回的数组中第一个元素是截距的置信区间，第二个元素是b值的置信区间。因此，我们使用conf_int[1]来获得b值的置信区间。