In [2]:

    

import pandas as pd
from pandas import DataFrame
import statsmodels.api as sm
import pylab as pl
AuswertungExcel = pd.read_excel('Auswertung.xlsx')
import numpy as np
AuswertungExcel.columns


    

    
Out[2]:





Index([u'overMedian', u'Oeffnungsrate', u'Betreff', u'Kategorie', u'incentive', u'highlight', u'partner', u'satzzeichen', u'anrede', u'Kategoriensumme', u'Kampagne', u'Datum', u'Partner_dm', u'Partner_ebay', u'Partner_Philips', u'Partner_WMF', u'Partner_a.t.u', u'Partner_aral', u'Partner_asstel', u'Partner_blume2000.de', u'Partner_c&a', u'Partner_dehner', u'Partner_expedia', u'Partner_express', u'Partner_galeria', u'Partner_hvb', u'Partner_itunes', u'Partner_linda', u'Partner_mexx', u'Partner_mydays', u'Partner_opel', u'Partner_quelle', u'Partner_real', u'Partner_rewe', u'Partner_sportarena.de', u'Partner_tchibo', u'Partner_telekom', u'Partner_yello', u'Partner_zalando', u'Satzzeiche_!', u'Satzzeiche_.', u'Satzzeiche_?', u'Anrede_anrede', u'Anrede_title', u'Angebot', u'Bestpreisgarantie', u'Exklusiv', u'Geschenk', u'Gewinn', u'Gratis', u'Highlight', u'Jetzt', u'Nur', u'Prämie', u'Punktestand', u'Rabatt', u'Reduziert', u'Sale', u'Schnell', u'Sichern', u'Sparen', u'Wichtig', u'WSV', u'Wünsche', u'Special', u'Incentivierung_%', u'Incentives_200 °p für sie geschenkt', u'Incentives_200 °p geschenkt', u'Incentivierung_doppelt punkten', u'Incentives_doppelte punkte', u'Incentives_extra °p', u'Incentivierung_extra-punkte', u'Incentivierung_fach', u'Incentives_punkte', u'Incentives_punkte-gutschein', u'Incentives_°p'], dtype='object')

In [3]:

    

Kategorien = DataFrame()


    

In [4]:

    

Kategorien[[ u'Oeffnungsrate',u'incentive',u'highlight',u'partner',u'satzzeichen',u'anrede']]=AuswertungExcel[[ u'Oeffnungsrate',u'incentive',u'highlight',u'partner',u'satzzeichen',u'anrede']]


    

In [5]:

    

Kategorien.head()


    

    
Out[5]:






  

    

      

      
Oeffnungsrate
      
incentive
      
highlight
      
partner
      
satzzeichen
      
anrede
    
  
  

    

      
0
      
 0.307655
      
 0
      
 1
      
 1
      
 1
      
 0
    
    

      
1
      
 0.301537
      
 1
      
 1
      
 1
      
 0
      
 0
    
    

      
2
      
 0.248967
      
 1
      
 0
      
 0
      
 0
      
 0
    
    

      
3
      
 0.229486
      
 1
      
 1
      
 0
      
 1
      
 0
    
    

      
4
      
 0.212406
      
 1
      
 1
      
 0
      
 1
      
 0
    
  

In [6]:

    

Kategorien.describe()


    

    
Out[6]:






  

    

      

      
Oeffnungsrate
      
incentive
      
highlight
      
partner
      
satzzeichen
      
anrede
    
  
  

    

      
count
      
 389.000000
      
 389.000000
      
 389.000000
      
 389.000000
      
 389.000000
      
 389.000000
    
    

      
mean
      
   0.256438
      
   0.727506
      
   0.565553
      
   0.390746
      
   0.316195
      
   0.125964
    
    

      
std
      
   0.074098
      
   0.445816
      
   0.496323
      
   0.488546
      
   0.465589
      
   0.332236
    
    

      
min
      
   0.042500
      
   0.000000
      
   0.000000
      
   0.000000
      
   0.000000
      
   0.000000
    
    

      
25%
      
   0.217358
      
   0.000000
      
   0.000000
      
   0.000000
      
   0.000000
      
   0.000000
    
    

      
50%
      
   0.250114
      
   1.000000
      
   1.000000
      
   0.000000
      
   0.000000
      
   0.000000
    
    

      
75%
      
   0.286827
      
   1.000000
      
   1.000000
      
   1.000000
      
   1.000000
      
   0.000000
    
    

      
max
      
   0.813800
      
   1.000000
      
   1.000000
      
   1.000000
      
   1.000000
      
   1.000000
    
  

In [7]:

    

Kategorien.hist()
pl.show()


    

In [8]:

    

Y=Kategorien['Oeffnungsrate']
X=Kategorien['incentive']
pl.plot(X,Y)


    

    
Out[8]:





[<matplotlib.lines.Line2D at 0x2036a860>]






    

In [9]:

    

Y=Kategorien['Oeffnungsrate']
X=Kategorien['highlight']
pl.plot(X,Y)


    

    
Out[9]:





[<matplotlib.lines.Line2D at 0x203a5518>]






    

In [10]:

    

Y=Kategorien['Oeffnungsrate']
X=Kategorien['partner']
pl.plot(X,Y)


    

    
Out[10]:





[<matplotlib.lines.Line2D at 0x19b022e8>]






    

In [11]:

    

Y=Kategorien['Oeffnungsrate']
X=Kategorien['anrede']
pl.plot(X,Y)


    

    
Out[11]:





[<matplotlib.lines.Line2D at 0x19ae28d0>]






    

In [12]:

    

X_Kategorien=Kategorien[[u'incentive',u'highlight',u'partner',u'satzzeichen',u'anrede']]
Y_Kategorien=Kategorien['Oeffnungsrate']


    

In [33]:

    

X_Kategorien['const'] = 0


    

In [34]:

    

X_Kategorien_Train = X_Kategorien[:len(X_Kategorien)/2]
Y_Kategorien_Train = Y_Kategorien[:len(Y_Kategorien)/2]


    

In [35]:

    

ols = sm.OLS(Y_Kategorien_Train,X_Kategorien_Train)


    

In [36]:

    

result = ols.fit()


    

In [37]:

    

print result.summary()


    

    




                            OLS Regression Results                            
==============================================================================
Dep. Variable:          Oeffnungsrate   R-squared:                       0.825
Model:                            OLS   Adj. R-squared:                  0.821
Method:                 Least Squares   F-statistic:                     178.5
Date:                Fri, 22 May 2015   Prob (F-statistic):           1.38e-69
Time:                        16:30:41   Log-Likelihood:                 147.19
No. Observations:                 194   AIC:                            -284.4
Df Residuals:                     189   BIC:                            -268.0
Df Model:                           5                                         
Covariance Type:            nonrobust                                         
===============================================================================
                  coef    std err          t      P>|t|      [95.0% Conf. Int.]
-------------------------------------------------------------------------------
incentive       0.1579      0.013     11.980      0.000         0.132     0.184
highlight       0.0681      0.015      4.458      0.000         0.038     0.098
partner         0.0725      0.017      4.348      0.000         0.040     0.105
satzzeichen     0.1098      0.016      6.693      0.000         0.077     0.142
anrede          0.1145      0.025      4.538      0.000         0.065     0.164
const                0          0        nan        nan             0         0
==============================================================================
Omnibus:                        6.933   Durbin-Watson:                   1.927
Prob(Omnibus):                  0.031   Jarque-Bera (JB):                6.710
Skew:                           0.391   Prob(JB):                       0.0349
Kurtosis:                       3.466   Cond. No.                          inf
==============================================================================

Warnings:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
[2] The smallest eigenvalue is      0. This might indicate that there are
strong multicollinearity problems or that the design matrix is singular.

In [32]:

    




    

In [17]:

    




    

In [17]: