Python多元线性回归模型建立并赋值预测

首先，需要导入相关的库和数据集。假设我们有以下的数据集：

import pandas as pd
import numpy as np

# 创建数据集
data = {'x1': [1, 2, 3, 4, 5],
        'x2': [2, 4, 6, 8, 10],
        'y': [3, 5, 7, 9, 11]}

df = pd.DataFrame(data)

接着，我们需要将数据集分为训练集和测试集，以便验证模型的预测效果。我们可以使用`train_test_split`函数来完成这个操作：

from sklearn.model_selection import train_test_split

X = df[['x1', 'x2']]
y = df['y']

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

然后，我们需要使用`LinearRegression`类来建立多元线性回归模型，并使用训练集来训练模型：

from sklearn.linear_model import LinearRegression

# 建立多元线性回归模型
model = LinearRegression()

# 训练模型
model.fit(X_train, y_train)

最后，我们可以使用模型来进行预测并赋值：

# 预测测试集结果
y_pred = model.predict(X_test)

# 将预测结果赋值
df_result = X_test.copy()
df_result['y_pred'] = y_pred

`df_result`即为预测结果的数据集，其中`y_pred`列为模型的预测结果。