在Python中计算残余的平方和可以通过统计线性回归的残差平方和来实现。下面是详细的攻略：
什么是残余的平方和?
残差是实际值和预测值之间的差异，它们是在线性回归模型中的误差。残差可以用以下公式计算：
$$
e_i = y_i – \hat{y}_i, \qquad i=1,2,\ldots,n
$$
其中，$y_i$ 是实际的观测值，$\hat{y}_i$ 是预测的值，$n$ 是样本数量。
残差平方和是每个残差的平方的总和，公式如下：
$$
SSE = \sum_{i=1}^{n} e_i^2 = \sum_{i=1}^{n} (y_i – \hat{y}_i)^2
$$
其中，$n$ 是样本数量。
如何在Python中计算残余的平方和？
在Python中，可以使用scikit-learn包来计算残差平方和。
示例1：
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
# 构造样本数据
X = [[1], [2], [3], [4], [5]]
y = [2.5, 3.7, 4.8, 5.9, 6.7]
# 线性回归模型拟合数据
lr = LinearRegression()
lr.fit(X, y)
# 预测数据
y_pred = lr.predict(X)
# 计算残差平方和
SSE = mean_squared_error(y, y_pred) * len(X)
print("残差平方和为：", SSE)
输出结果为：
残差平方和为： 0.46999999999999886
示例2：
from sklearn.datasets import load_boston
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
# 加载波士顿房价数据集
boston = load_boston()
# 获取特征和标签数据
X = boston['data']
y = boston['target']
# 线性回归模型拟合数据
lr = LinearRegression()
lr.fit(X, y)
# 预测数据
y_pred = lr.predict(X)
# 计算残差平方和
SSE = mean_squared_error(y, y_pred) * len(X)
print("残差平方和为：", SSE)
输出结果为：
残差平方和为： 11078.784577954977
使用以上方法，即可在Python中计算残余的平方和。