Почему статистические модели не могут воспроизвести мои результаты логистической регрессии R?

Я не понимаю, почему мои модели логистической регрессии в R и статистические модели не согласуются.

Если я подготовлю некоторые данные в R с помощью

# From https://courses.edx.org/c4x/MITx/15.071x/asset/census.csv
library(caTools) # for sample.split
census = read.csv("census.csv")
set.seed(2000)
split = sample.split(census$over50k, SplitRatio = 0.6)
censusTrain = subset(census, split==TRUE)
censusTest = subset(census, split==FALSE)

а затем запустите логистическую регрессию с

CensusLog1 = glm(over50k ~., data=censusTrain, family=binomial)

Я вижу результаты вроде

                                           Estimate Std. Error z value Pr(>|z|)    
(Intercept)                              -8.658e+00  1.379e+00  -6.279 3.41e-10 ***
age                                       2.548e-02  2.139e-03  11.916  < 2e-16 ***
workclass Federal-gov                     1.105e+00  2.014e-01   5.489 4.03e-08 ***
workclass Local-gov                       3.675e-01  1.821e-01   2.018 0.043641 *  
workclass Never-worked                   -1.283e+01  8.453e+02  -0.015 0.987885    
workclass Private                         6.012e-01  1.626e-01   3.698 0.000218 ***
workclass Self-emp-inc                    7.575e-01  1.950e-01   3.884 0.000103 ***
workclass Self-emp-not-inc                1.855e-01  1.774e-01   1.046 0.295646    
workclass State-gov                       4.012e-01  1.961e-01   2.046 0.040728 *  
workclass Without-pay                    -1.395e+01  6.597e+02  -0.021 0.983134   
...

но я использую те же данные в Python, сначала экспортируя из R с помощью

write.csv(censusTrain,file="traincensus.csv")
write.csv(censusTest,file="testcensus.csv")

а затем импортировать в Python с помощью

import pandas as pd

census = pd.read_csv("census.csv")
census_train = pd.read_csv("traincensus.csv")
census_test = pd.read_csv("testcensus.csv")

Я получаю ошибки и странные результаты, которые не имеют никакого отношения к тем, которые я получаю в R.

Если я просто попытаюсь

import statsmodels.api as sm

census_log_1 = sm.Logit.from_formula(f, census_train).fit()

Я получаю сообщение об ошибке:

ValueError: operands could not be broadcast together with shapes (19187,2) (19187,) 

Даже если подготовить данные с помощью patsy, используя

import patsy
f = 'over50k ~ ' + ' + '.join(list(census.columns)[:-1])
y, X = patsy.dmatrices(f, census_train, return_type='dataframe')

пытающийся

census_log_1 = sm.Logit(y, X).fit()

приводит к той же ошибке. Единственный способ избежать ошибок — использовать use GLM

census_log_1 = sm.GLM(y, X, family=sm.families.Binomial()).fit()

но это приводит к результатам, которые полностью отличаются от результатов (как я думал) эквивалентного R API:

                                                   coef    std err          t      P>|t|      [95.0% Conf. Int.]
----------------------------------------------------------------------------------------------------------------
Intercept                                       10.6766      5.985      1.784      0.074        -1.055    22.408
age                                             -0.0255      0.002    -11.916      0.000        -0.030    -0.021
workclass[T. Federal-gov]                       -0.9775      4.498     -0.217      0.828        -9.794     7.839
workclass[T. Local-gov]                         -0.2395      4.498     -0.053      0.958        -9.055     8.576
workclass[T. Never-worked]                       8.8346    114.394      0.077      0.938      -215.374   233.043
workclass[T. Private]                           -0.4732      4.497     -0.105      0.916        -9.288     8.341
workclass[T. Self-emp-inc]                      -0.6296      4.498     -0.140      0.889        -9.446     8.187
workclass[T. Self-emp-not-inc]                  -0.0576      4.498     -0.013      0.990        -8.873     8.758
workclass[T. State-gov]                         -0.2733      4.498     -0.061      0.952        -9.090     8.544
workclass[T. Without-pay]                       10.0745     85.048      0.118      0.906      -156.616   176.765
...

Почему логистическая регрессия в Python приводит к ошибкам и результатам, отличным от результатов, полученных в R? Являются ли эти API на самом деле не эквивалентными (у меня они работали раньше, чтобы давать идентичные результаты)? Требуется ли дополнительная обработка наборов данных, чтобы их можно было использовать в статистических моделях?