Линейная регрессия с фреймворком pandas

У меня есть dataframe в pandas, который я использую для создания диаграммы рассеяния, и хочу включить регрессионную линию для графика. Сейчас я пытаюсь сделать это с помощью polyfit.

Здесь мой код:

import pandas as pd
import matplotlib
import matplotlib.pyplot as plt
from numpy import *

table1 = pd.DataFrame.from_csv('upregulated_genes.txt', sep='\t', header=0, index_col=0)
table2 = pd.DataFrame.from_csv('misson_genes.txt', sep='\t', header=0, index_col=0)
table1 = table1.join(table2, how='outer')

table1 = table1.dropna(how='any')
table1 = table1.replace('#DIV/0!', 0)

# scatterplot
plt.scatter(table1['log2 fold change misson'], table1['log2 fold change'])
plt.ylabel('log2 expression fold change')
plt.xlabel('log2 expression fold change Misson et al. 2005')
plt.title('Root Early Upregulated Genes')
plt.axis([0,12,-5,12])

# this is the part I'm unsure about
regres = polyfit(table1['log2 fold change misson'], table1['log2 fold change'], 1)

plt.show()

Но я получаю следующую ошибку:

TypeError: cannot concatenate 'str' and 'float' objects

Кто-нибудь знает, где я здесь ошибся? Я также не уверен, как добавить линию регрессии к моему заговору. Любые другие общие комментарии к моему коду также были бы очень оценены, я все еще новичок.

Ответ 1

Вместо замены '# DIV/0!' вручную, чтобы данные были числовыми. Это делает сразу две вещи: это гарантирует, что результат будет числовым (not str), и он заменяет NaN для любых записей, которые не могут быть проанализированы как число. Пример:

In [5]: Series([1, 2, 'blah', '#DIV/0!']).convert_objects(convert_numeric=True)
Out[5]: 
0     1
1     2
2   NaN
3   NaN
dtype: float64

Это должно исправить вашу ошибку. Но, по общему вопросу о подгонке строки к данным, я поддерживаю два способа сделать это, что мне нравится лучше, чем полифит. Второй из них более надежный (и может потенциально возвращать гораздо более подробную информацию о статистике), но для этого требуются statsmodels.

from scipy.stats import linregress
def fit_line1(x, y):
    """Return slope, intercept of best fit line."""
    # Remove entries where either x or y is NaN.
    clean_data = pd.concat([x, y], 1).dropna(0) # row-wise
    (_, x), (_, y) = clean_data.iteritems()
    slope, intercept, r, p, stderr = linregress(x, y)
    return slope, intercept # could also return stderr

import statsmodels.api as sm
def fit_line2(x, y):
    """Return slope, intercept of best fit line."""
    X = sm.add_constant(x)
    model = sm.OLS(y, X, missing='drop') # ignores entires where x or y is NaN
    fit = model.fit()
    return fit.params[1], fit.params[0] # could also return stderr in each via fit.bse

Чтобы сделать это, сделайте что-то вроде

m, b = fit_line2(x, y)
N = 100 # could be just 2 if you are only drawing a straight line...
points = np.linspace(x.min(), x.max(), N)
plt.plot(points, m*points + b)