X1_new = X1_pca X2_new = X2_pca X3_new = X3_pca X4_new = X4_pca X5_new = X5_pca X6_new = X6_pca X7_new = X7_pca X8_new = X8_pca X9_new = X9_pca X10_new = X10_pca X11_new = X11_pca X12_new = X12_pca X13_new = X13_pca X14_new = X14_pca X15_new = X15_pca如何将他们放在一起

可以使用Pandas库将这些新变量放在一起，生成一个DataFrame对象。以下是一个示例代码：

import pandas as pd
import numpy as np

# 假设有15个新变量，将它们保存到一个Numpy数组中
X_new = np.random.rand(100, 15)  # 生成随机数据

# 将15个新变量保存到一个DataFrame对象中
df_new = pd.DataFrame({'X1_new': X_new[:, 0], 'X2_new': X_new[:, 1], 'X3_new': X_new[:, 2],
                       'X4_new': X_new[:, 3], 'X5_new': X_new[:, 4], 'X6_new': X_new[:, 5],
                       'X7_new': X_new[:, 6], 'X8_new': X_new[:, 7], 'X9_new': X_new[:, 8],
                       'X10_new': X_new[:, 9], 'X11_new': X_new[:, 10], 'X12_new': X_new[:, 11],
                       'X13_new': X_new[:, 12], 'X14_new': X_new[:, 13], 'X15_new': X_new[:, 14]})

# 查看新的DataFrame对象
print(df_new.head())

上述代码中，我们首先生成了15个新变量的随机数据，并将它们保存到一个Numpy数组中。然后，使用`pd.DataFrame()`函数将这些新变量放在一起，生成一个DataFrame对象`df_new`。在`pd.DataFrame()`函数中，我们使用字典的方式将15个新变量命名，并将它们对应的数据分别取出来，放在一起组成一个新的DataFrame对象。

需要注意的是，在使用多元线性回归模型时，自变量需要进行标准化或归一化处理，以确保所有自变量的取值范围相同。可以使用scikit-learn库中的`StandardScaler`或`MinMaxScaler`进行标准化或归一化处理。