怎样根据lasso.coef筛选出的自变量构建新的模型，并把这些自变量打印出来

根据 Lasso 模型筛选出的自变量可以用来构建新的模型，这些自变量对应的系数即为 Lasso 模型中非零系数。可以使用 Python 中的 NumPy 库和 Pandas 库来操作数据并构建新的模型。

假设你已经拟合了 Lasso 模型，并且得到了非零系数所对应的自变量列名，那么可以按照以下步骤构建新的模型：

1. 从数据集中提取非零系数所对应的自变量列，构建一个新的数据集。假设原始数据集为 `X`，非零系数所对应的自变量列名为 `feature_names`，则可以使用以下代码提取相关自变量：

   import pandas as pd
   
   # 构建新的数据集
   X_new = X[feature_names]

2. 从原始数据集中提取因变量列，构建一个新的因变量序列。假设原始数据集为 `data`，因变量列名为 `target`，则可以使用以下代码提取相关因变量：

   y_new = data[target]

3. 使用新的数据集 `X_new` 和因变量序列 `y_new` 来训练一个新的线性回归模型。可以使用 Scikit-learn 库中的 `LinearRegression` 类来实现：

   from sklearn.linear_model import LinearRegression
   
   # 构建新的线性回归模型
   lr = LinearRegression()
   lr.fit(X_new, y_new)

4. 打印出新模型中的系数和截距。假设新模型为 `lr`，则可以使用以下代码打印出相关信息：

   # 打印系数和截距
   print("系数：", lr.coef_)
   print("截距：", lr.intercept_)

完整代码示例：

import pandas as pd
from sklearn.linear_model import Lasso, LinearRegression

# 构建 Lasso 模型
lasso = Lasso(alpha=0.1)
lasso.fit(X, y)

# 提取非零系数所对应的自变量列名
feature_names = X.columns[lasso.coef_ != 0]

# 构建新的数据集
X_new = X[feature_names]

# 构建新的因变量序列
y_new = data[target]

# 构建新的线性回归模型
lr = LinearRegression()
lr.fit(X_new, y_new)

# 打印系数和截距
print("系数：", lr.coef_)
print("截距：", lr.intercept_)