为了完成这个任务，你可以按照以下步骤编写Python代码： ### 步骤解析 1. **读取CSV文件**：加载`zb.csv`文件中的数据。 2. **归一化处理 (Z-score)** ：将自变量指标 `X1-X33` 进行 Z-Score 归一化。 3. **逻辑回归模型训练**：使用 L2 正则化的逻辑回归进行建模，并提取每个特征的系数和 P 值。 4. **保存结果到 Excel 文件 (.xlsx)**。 以下是完整的 Python 示例代码： ```python import pandas as pd from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression import statsmodels.api as sm # Step 1: 加载数据 data = pd.read_csv('zb.csv') # 确保文件路径正确 X_columns = [f'X{i}' for i in range(1, 34)] # 自变量 X1 到 X33 y_column = 'X34' # 因变量 X = data[X_columns] y = data[y_column] # Step 2: 对自变量进行 Z-Score 标准化 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # Step 3: 使用 L2 正则化的逻辑回归拟合数据并获取系数 logreg = LogisticRegression(penalty='l2', solver='liblinear') logreg.fit(X_scaled, y) coefficients = logreg.coef_[0] # 获取逻辑回归模型的系数 # Step 4: 使用 statsmodels 计算 p-values X_with_const = sm.add_constant(X_scaled) # 添加常数项以适应 statsmodels 的需求 model_sm = sm.Logit(y, X_with_const).fit(disp=0) p_values = model_sm.pvalues[1:] # 排除掉常数项对应的 p-value # 创建 DataFrame 存储结果 result_df = pd.DataFrame({ 'Feature': X_columns, 'Coefficient': coefficients, 'P_value': p_values }) # 输出结果到 .xlsx 文件 output_file = "Logistic_Results.xlsx" result_df.to_excel(output_file, index=False) print(f"结果已成功导出至 {output_file}") ``` --- ### 注意事项 1. 如果运行环境缺少必要的库（如 `statsmodels`, `sklearn` 或 `pandas`），需要先安装它们。例如： ```bash pip install pandas scikit-learn statsmodels openpyxl ``` 2. 数据文件名 (`zb.csv`) 和列命名规则需与实际保持一致。 3. 如果数据中有缺失值或异常值，建议提前清洗数据。 --- ### 结果说明 最终会生成名为 `Logistic_Results.xlsx` 的 Excel 表格文件，包含三列表示各特征及其对应系数、P 值的信息。 ---