在多变量回归的情况下，@JARH的答案可能有错误。 (我没有足够的声誉来评论。)

在下面一行:

p_values = [2 * (1-stats.t.cdf (np.abs(我),(len (newX) 1)))我在ts_b),

t值遵循degree len(newX)-1的卡方分布，而不是遵循degree len(newX)-len(newX.columns)-1的卡方分布。

所以这应该是:

p_values = [2 * (1-stats.t.cdf (np.abs(我),(len (newX) len (newX.columns) 1)))我在ts_b)

(详见OLS回归的t值)

你可以用scipy表示p值。此代码来自scipy文档。

>>> from scipy import stats >>>导入numpy为np x = np.random.random(10) y = np.random.random(10) >>>斜率，截距，r_value, p_value, std_err = stats. linreturn (x,y)

P_value是f个统计值之一。如果你想要得到这个值，只需使用这几行代码:

import statsmodels.api as sm
from scipy import stats

diabetes = datasets.load_diabetes()
X = diabetes.data
y = diabetes.target

X2 = sm.add_constant(X)
est = sm.OLS(y, X2)
print(est.fit().f_pvalue)

你可以用pingouin来写一行字。线性回归函数(免责声明:我是Pingouin的创建者)，它使用NumPy数组或Pandas DataFrame与单/多变量回归一起工作，例如:

import pingouin as pg
# Using a Pandas DataFrame `df`:
lm = pg.linear_regression(df[['x', 'z']], df['y'])
# Using a NumPy array:
lm = pg.linear_regression(X, y)

输出是一个数据框架，其中包含每个预测器的beta系数、标准误差、t值、p值和置信区间，以及拟合的R^2和调整后的R^2。

另外一个已经提出的选择是使用排列测试。将y的值洗牌后对模型进行N次拟合，计算拟合后模型的系数相对于原模型的系数值较大(单侧检验)或绝对值较大(双面检验)的比例。这些比例就是p值。

获取p值的一个简单方法是使用statmodels回归:

import statsmodels.api as sm
mod = sm.OLS(Y,X)
fii = mod.fit()
p_values = fii.summary2().tables[1]['P>|t|']

你可以得到一系列你可以操作的p值(例如，通过计算每个p值来选择你想要保持的顺序):