如何在python中应用分类数据的多元回归

import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import OneHotEncoder

# 假设有一个包含分类数据和连续型数据的DataFrame
data = pd.DataFrame({
    'category': ['A', 'B', 'C', 'A', 'B', 'C'],
    'feature1': [1, 2, 3, 4, 5, 6],
    'feature2': [7, 8, 9, 10, 11, 12]
})

# 将分类数据进行独热编码
ct = ColumnTransformer(
    [('encoder', OneHotEncoder(), [0])],  # 对第0列（category）进行编码
    remainder='passthrough'
)
data_encoded = ct.fit_transform(data)

# 准备回归模型的输入和输出
X = data_encoded[:, :-1]  # 输入特征，去除最后一列作为参考类别
y = data_encoded[:, -1]  # 输出标签，最后一列（category）

# 创建并训练回归模型
regressor = LinearRegression()
regressor.fit(X, y)

# 进行预测
new_data = pd.DataFrame({
    'category': ['A', 'B', 'C'],
    'feature1': [7, 8, 9],
    'feature2': [13, 14, 15]
})
new_data_encoded = ct.transform(new_data)  # 使用同一列转换器对新数据进行编码
predictions = regressor.predict(new_data_encoded)

print(predictions)