prob.fit <- glm.fit(x,y,family = binomial(link = "probit"))$coefficients # probit建模 logit.fit <- glm.fit(x,y,family = binomial(link = "logit"))$coefficients # logit建模 linear.fit <- glm.fit(x,y,family = gaussian(link = "identity"))$coefficients # 线性回归建模 coef.mat <- cbind(prob.fit,logit.fit,linear.fit) #改为python

在Python中，使用statsmodels库中的glm()函数可以实现类似的功能。下面是代码示例：

import statsmodels.api as sm

# probit建模
probit_model = sm.GLM(y, sm.add_constant(x), family=sm.families.Binomial(link=sm.families.links.probit))
probit_fit = probit_model.fit()
prob_fit = probit_fit.params

# logit建模
logit_model = sm.GLM(y, sm.add_constant(x), family=sm.families.Binomial(link=sm.families.links.logit))
logit_fit = logit_model.fit()
logit_fit = logit_fit.params

# 线性回归建模
linear_model = sm.OLS(y, sm.add_constant(x))
linear_fit = linear_model.fit()
linear_fit = linear_fit.params

# 合并系数矩阵
coef_mat = np.column_stack((prob_fit, logit_fit, linear_fit))

其中，add_constant()函数用于在原始的特征矩阵x中添加一列常数项，以便拟合截距。sm.families.Binomial()表示使用二项分布作为响应变量的分布模型，link参数用于指定链接函数，probit表示使用probit函数，logit表示使用logistic函数，identity表示使用恒等函数。最后，np.column_stack()函数用于将三个系数数组按列合并成一个系数矩阵。