statsmodels 기초

# 문제 1. 간단한 예시 데이터 절편 확인하기
# smf.ols("y ~ x", data=df).fit() 결과에서 절편을 round(..., 1)로 출력해 보세요.
# 가이드: result = smf.ols(...).fit()을 먼저 만들어 보세요.

import pandas as pd
import statsmodels.formula.api as smf

df = pd.DataFrame(
    {
        "x": [1, 2, 3, 4],
        "y": [3, 5, 7, 9],
    }
)

# 문제 2. 외부 데이터 신장 : cm 계수 확인하기
# /data/body.csv를 읽어 smf.ols('Q("체중 : kg") ~ Q("신장 : cm")', data=df).fit() 결과에서 신장 : cm 계수를 round(..., 3)으로 출력해 보세요.

import pandas as pd
import statsmodels.formula.api as smf

data_path = "/data/body.csv"

df = pd.read_csv(data_path)

# 가이드
# 1. formula API로 result를 만드세요.
# 2. Q("신장 : cm") 계수를 round(..., 3)으로 출력하세요.

# 문제 3. 외부 데이터 예측값 확인하기
# 신장 : cm=170일 때의 예측 체중 : kg를 round(..., 1)로 출력해 보세요.

import pandas as pd
import statsmodels.formula.api as smf

data_path = "/data/body.csv"

df = pd.read_csv(data_path)

# 가이드
# 1. result를 만든 뒤 예측용 DataFrame을 직접 만드세요.
# 2. predict() 결과를 round(..., 1)로 출력하세요.

# 문제 4. 외부 데이터 설명력 확인하기
# smf.ols('Q("체중 : kg") ~ Q("신장 : cm")', data=df).fit() 결과의 rsquared를 round(..., 3)으로 출력해 보세요.

import pandas as pd
import statsmodels.formula.api as smf

data_path = "/data/body.csv"

df = pd.read_csv(data_path)

# 가이드: formula API로 result를 만든 뒤 rsquared를 출력하세요.

# 문제 5. add_constant 열 이름 확인하기
# 간단한 예시 DataFrame에 sm.add_constant()를 적용한 뒤 첫 번째 열 이름을 출력해 보세요.
# 가이드: 상수항을 넣으면 첫 열 이름이 무엇이 되는지 보세요.

import pandas as pd
import statsmodels.api as sm

X = pd.DataFrame({"x": [1, 2, 3]})

# 문제 6. 외부 데이터 상수항 열 확인하기
# /data/body.csv에서 X = sm.add_constant(df[["신장 : cm", "측정나이", "악력D : kg"]])를 만든 뒤 첫 번째 열 이름을 출력해 보세요.

import pandas as pd
import statsmodels.api as sm

data_path = "/data/body.csv"

df = pd.read_csv(data_path)

# 가이드: 세 열을 고른 뒤 sm.add_constant()를 적용하세요.

# 문제 7. 외부 데이터 악력D : kg 계수 확인하기
# sm.OLS() 결과에서 악력D : kg 계수를 round(..., 3)으로 출력해 보세요.

import pandas as pd
import statsmodels.api as sm

data_path = "/data/body.csv"

df = pd.read_csv(data_path)

X = sm.add_constant(df[["신장 : cm", "측정나이", "악력D : kg"]])
y = df["체중 : kg"]

# 가이드: sm.OLS(y, X).fit() 결과에서 악력D : kg 계수를 확인하세요.

# 문제 8. 외부 데이터 첫 fitted value 확인하기
# sm.OLS() 결과의 첫 번째 fitted value를 round(..., 1)로 출력해 보세요.

import pandas as pd
import statsmodels.api as sm

data_path = "/data/body.csv"

df = pd.read_csv(data_path)

X = sm.add_constant(df[["신장 : cm", "측정나이", "악력D : kg"]])
y = df["체중 : kg"]

# 가이드: result를 만든 뒤 fittedvalues의 첫 값을 출력하세요.

# 문제 9. rsquared 확인하기
# sm.OLS() 결과의 rsquared를 round(..., 3)으로 출력해 보세요.

import pandas as pd
import statsmodels.api as sm

data_path = "/data/body.csv"

df = pd.read_csv(data_path)

X = sm.add_constant(df[["신장 : cm", "측정나이", "악력D : kg"]])
y = df["체중 : kg"]

# 가이드: result를 만든 뒤 rsquared를 출력하세요.

# 문제 10. 첫 번째 residual 확인하기
# result.resid의 첫 번째 값을 round(..., 1)로 출력해 보세요.

import pandas as pd
import statsmodels.api as sm

data_path = "/data/body.csv"

df = pd.read_csv(data_path)

X = sm.add_constant(df[["신장 : cm", "측정나이", "악력D : kg"]])
y = df["체중 : kg"]

# 가이드: result를 만든 뒤 resid의 첫 값을 출력하세요.

# 문제 11. 측정나이 계수의 유의성 확인하기
# 측정나이의 pvalue가 0.05보다 작은지 출력해 보세요.

import pandas as pd
import statsmodels.api as sm

data_path = "/data/body.csv"

df = pd.read_csv(data_path)

X = sm.add_constant(df[["신장 : cm", "측정나이", "악력D : kg"]])
y = df["체중 : kg"]

# 가이드: result를 만든 뒤 측정나이 pvalue를 비교하세요.

# 문제 12. 신장 : cm 계수 신뢰구간의 아래쪽 값 확인하기
# result.conf_int()에서 신장 : cm 행, 첫 번째 열 값을 round(..., 3)으로 출력해 보세요.

import pandas as pd
import statsmodels.api as sm

data_path = "/data/body.csv"

df = pd.read_csv(data_path)

X = sm.add_constant(df[["신장 : cm", "측정나이", "악력D : kg"]])
y = df["체중 : kg"]

# 가이드: result를 만든 뒤 conf_int()에서 신장 : cm 아래쪽 값을 고르세요.

# 문제 13. 간단한 예시 데이터 합격 확률 확인하기
# study_hours=6일 때의 합격 확률을 round(..., 3)으로 출력해 보세요.
# 가이드: result를 만든 뒤 predict()를 써 보세요.

import pandas as pd
import statsmodels.formula.api as smf

df = pd.DataFrame(
    {
        "study_hours": [1, 2, 3, 4, 5, 6, 7, 8],
        "passed": [0, 0, 0, 1, 0, 1, 1, 1],
    }
)

# 문제 14. 외부 데이터 신장 : cm 계수 확인하기
# /data/body.csv로 smf.logit('is_male ~ Q("신장 : cm") + Q("악력D : kg")', data=df).fit()를 만든 뒤 신장 : cm 계수를 round(..., 3)으로 출력해 보세요.

import pandas as pd
import statsmodels.formula.api as smf

data_path = "/data/body.csv"

df = pd.read_csv(data_path)

df["is_male"] = (df["측정회원성별"] == "M").astype(int)

# 가이드: result를 만든 뒤 Q("신장 : cm") 계수를 출력하세요.

# 문제 15. 외부 데이터 예측 확률 확인하기
# 신장 : cm=175, 악력D : kg=40일 때 is_male 확률을 round(..., 3)으로 출력해 보세요.

import pandas as pd
import statsmodels.formula.api as smf

data_path = "/data/body.csv"

df = pd.read_csv(data_path)

df["is_male"] = (df["측정회원성별"] == "M").astype(int)

# 가이드
# 1. result를 만든 뒤 예측용 DataFrame을 만드세요.
# 2. predict() 결과를 round(..., 3)으로 출력하세요.

# 문제 16. 0.5 기준으로 클래스 판단하기
# 문제 15의 예측 확률이 0.5보다 큰지 출력해 보세요.

import pandas as pd
import statsmodels.formula.api as smf

data_path = "/data/body.csv"

df = pd.read_csv(data_path)

df["is_male"] = (df["측정회원성별"] == "M").astype(int)

# 가이드: 문제 15와 같은 확률을 만든 뒤 0.5와 비교하세요.

# 문제 17. 확률 0.8의 오즈 구하기
# prob = 0.8일 때 odds = prob / (1 - prob)를 계산해 round(..., 1)로 출력해 보세요.
# 가이드: 확률을 오즈로 바꾸는 식을 그대로 써 보세요.

prob = 0.8

# 문제 18. body 데이터 악력D : kg 오즈비 확인하기
# /data/body.csv의 로지스틱 회귀 결과에서 np.exp(result.params['Q("악력D : kg")'])를 round(..., 3)으로 출력해 보세요.

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

data_path = "/data/body.csv"

df = pd.read_csv(data_path)

df["is_male"] = (df["측정회원성별"] == "M").astype(int)

# 가이드: result를 만든 뒤 악력D : kg 계수에 np.exp()를 적용하세요.

# 문제 19. pokemon 데이터 Total 오즈비 확인하기
# /data/pokemon.csv의 로지스틱 회귀 결과에서 np.exp(result.params["Total"])을 round(..., 3)으로 출력해 보세요.

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

data_path = "/data/pokemon.csv"

df = pd.read_csv(data_path)
df["is_legendary"] = df["Legendary"].astype(int)

result = smf.logit("is_legendary ~ Total + Speed", data=df).fit(disp=False)

# 문제 20. pokemon 데이터 상수항 열 확인하기
# X = sm.add_constant(df[["Total", "Speed"]])를 만든 뒤 첫 번째 열 이름을 출력해 보세요.
# 가이드: add_constant()를 적용한 뒤 첫 열 이름을 확인하세요.

import pandas as pd
import statsmodels.api as sm

data_path = "/data/pokemon.csv"

df = pd.read_csv(data_path)
df["is_legendary"] = df["Legendary"].astype(int)

# 문제 21. pokemon 데이터 Total 계수 확인하기
# sm.Logit() 결과에서 Total 계수를 round(..., 3)으로 출력해 보세요.

import pandas as pd
import statsmodels.api as sm

data_path = "/data/pokemon.csv"

df = pd.read_csv(data_path)
df["is_legendary"] = df["Legendary"].astype(int)

# 가이드
# 1. X와 y를 만든 뒤 sm.Logit(y, X).fit(disp=False)를 실행하세요.
# 2. Total 계수를 round(..., 3)으로 출력하세요.

# 문제 22. pokemon 새 데이터 예측 확률 확인하기
# Total=600, Speed=110일 때 전설일 확률을 round(..., 3)으로 출력해 보세요.

import pandas as pd
import statsmodels.api as sm

data_path = "/data/pokemon.csv"

df = pd.read_csv(data_path)
df["is_legendary"] = df["Legendary"].astype(int)

# 가이드
# 1. X와 y를 만든 뒤 result를 학습하세요.
# 2. 새 데이터를 만들고 add_constant(..., has_constant="add")를 적용하세요.
# 3. 예측 확률을 round(..., 3)으로 출력하세요.

# 문제 23. Speed의 pvalue 해석하기
# pokemon 데이터 sm.Logit() 결과에서 Speed의 pvalue가 0.05보다 큰지 출력해 보세요.

import pandas as pd
import statsmodels.api as sm

data_path = "/data/pokemon.csv"

df = pd.read_csv(data_path)
df["is_legendary"] = df["Legendary"].astype(int)

# 가이드: result를 만든 뒤 Speed pvalue를 0.05와 비교하세요.

# 문제 24. 확률 배열을 0과 1로 바꾸기
# probs가 0.5 이상이면 1, 아니면 0으로 바꾼 리스트를 출력해 보세요.
# 가이드: 비교 결과를 정수형으로 바꿔 보세요.

import numpy as np

probs = np.array([0.2, 0.51, 0.8, 0.49])

# 문제 25. body 예측 확률을 0과 1로 바꾸기
# prob = 0.992를 0.5 기준으로 0과 1 중 하나로 바꿔 출력해 보세요.
# 가이드: int(prob >= 0.5) 형태를 떠올려 보세요.

prob = 0.992

# 문제 26. pokemon 예측 확률을 0과 1로 바꾸기
# prob = 0.388을 0.5 기준으로 0과 1 중 하나로 바꿔 출력해 보세요.
# 가이드: 0.5보다 큰지 비교한 뒤 정수로 바꿔 보세요.

prob = 0.388