如何循环获取最小RMSE值，并在每列中使用"apply“进行预测

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 导入数据集
data = pd.read_csv("data.csv")

# 分割特征变量和目标变量
X = data.drop("target", axis=1)
y = data["target"]

# 创建空列表来存储RMSE值
rmse_values = []

# 循环遍历每一列
for col in X.columns:
    # 将当前列作为目标变量，其他列作为特征变量
    X_train, X_test, y_train, y_test = train_test_split(X.drop(col, axis=1), y, test_size=0.3, random_state=42)
    
    # 使用线性回归模型拟合训练集数据
    model = LinearRegression()
    model.fit(X_train, y_train)
    
    # 在测试集上进行预测
    y_pred = model.predict(X_test)
    
    # 计算均方根误差（RMSE）
    rmse = np.sqrt(mean_squared_error(y_test, y_pred))
    
    # 将RMSE值添加到列表中
    rmse_values.append(rmse)

# 找到最小RMSE值的列索引
min_rmse_index = np.argmin(rmse_values)

# 使用完整数据集拟合模型
X_train, X_test, y_train, y_test = train_test_split(X.drop(X.columns[min_rmse_index], axis=1), y, test_size=0.3, random_state=42)
model = LinearRegression()
model.fit(X_train, y_train)

# 使用apply函数在每列中进行预测
predicted_values = X.apply(lambda x: model.predict(np.array(x).reshape(1, -1))[0], axis=0)