我有一个数据框，该数据框由包含多个列的每月时间戳索引。数据框的值是float64，我只想做一个线性回归来计算数据的斜率，并将其存储为数据框底部的新行。
我曾尝试使用linregress和polyfit，但无法获得正确的输出，或者遇到了不受支持的操作数类型，或者SVD没有在线性最小二乘中收敛。
df = pd.DataFrame({'123': ['20.908', '8.743', '8.34', '2.4909'],
'124': ["2", 2.34, 0, 4.1234],
'412': ["3", 20.123, 3.123123, 0],
'516': ["5", 20.123, 3.123123, 0],
'129': ["10", 20.123, 3.123123, 0]},
index=['2015-01-10', '2015-02-10', '2015-03-10', '2015-04-10'])
在这种情况下，Y是列中的值，X是时间戳记。
123 124 412 516 129
2015-01-10 20.908 2 3 5 10
2015-02-10 8.743 2.34 20.123 20.123 20.123
2015-03-10 8.34 0 3.12312 3.12312 3.12312
2015-04-10 2.4909 4.1234 0 0 0
预期的输出是对每一列进行线性拟合，并将每一列的斜率添加到底部的新行。
最佳答案
这段代码应该给你的想法：
df = df.astype(float)
df.index = pd.to_datetime(df.index)
slopes = []
for col in df:
x = df.index.month.values
y = df[col].values
b = (len(x) * (x * y).sum() - (x.sum() * y.sum())) / (len(x) * (x ** 2).sum() - x.sum() ** 2)
slopes.append(b)
连续下坡：
[-5.565429999999997，
0.40302000000000004，
-2.5999877，
-3.1999877，
-4.699987700000003]
线性回归方程为：
source
或使用numpy.polyfit
df = df.astype(float)
df.index = pd.to_datetime(df.index)
x = df.index.month.values
y = df.values
slopes, offsets = np.polyfit(x, y, deg=1)
斜率：数组（[-5.56543，0.40302，-2.5999877，-3.1999877，-4.6999877]）