我在.csv文件中有一个数据集（dataTrain.csv和dataTest.csv），格式如下：
温度（K）、压力（ATM）、压缩系数（Z）
273.1,24.675,0.806677258
313.1,24.675,0.888394713
...,...,...
并能够使用以下代码建立回归模型和预测：
将熊猫作为pd导入
从sklearn导入线性_模型
dataTrain=pd.read_csv（“dataTrain.csv”）
dataTest=pd.read_csv（“dataTest.csv”）
#打印df.head（）
x_列=数据列['温度（K）]。重塑（-1,1）
y_列=数据列[‘压缩系数（Z）’]
x_测试=数据测试['温度（K）]。重塑（-1,1）
y_测试=数据测试[‘压缩系数（Z）’]
ols=线性模型。线性回归（）
模型=ols.fit（x\U系列、y\U系列）
打印模型预测（x_检验）[0:5]
然而，我想做的是多元回归。因此，模型将是压缩因子（Z）=截距+coef*温度（K）+coef*压力（ATM）
如何在scikit学习中做到这一点
如果上面的代码适用于单变量，请尝试以下操作
将熊猫作为pd导入
从sklearn导入线性_模型
dataTrain=pd.read\u csv（“dataTrain.csv”）
dataTest=pd.read\u csv（“dataTest.csv”）
#打印df.head（）
x_列=数据列[['温度（K）''压力（ATM）]]。到_numpy（）。重塑（-1,2）
y_列=数据列[‘压缩系数（Z）’]
x_test=dataTest['温度（K）''压力（ATM）]]。到numpy（）。重塑（-1,2）
y_测试=数据测试[‘压缩系数（Z）’]
ols=线性模型。线性回归（）
模型=ols.fit（x\U系列、y\U系列）
打印模型预测（x_检验）[0:5]