下面是一个使用Pandas进行按两列分组的回归的示例代码：

import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression

# 创建示例数据
data = pd.DataFrame({'A': np.random.randint(1, 10, 100),
                     'B': np.random.randint(1, 10, 100),
                     'C': np.random.randint(1, 10, 100),
                     'D': np.random.randint(1, 10, 100)})

# 按A和B列分组
grouped = data.groupby(['A', 'B'])

# 定义回归模型
model = LinearRegression()

# 定义结果存储列表
results = []

# 对每个分组进行回归计算
for _, group in grouped:
    X = group[['C', 'D']]  # 自变量
    y = group['A']  # 因变量

    # 训练回归模型
    model.fit(X, y)

    # 提取回归系数和截距
    coef = model.coef_
    intercept = model.intercept_

    # 将结果存储到列表中
    results.append({'A': group['A'].unique()[0],
                    'B': group['B'].unique()[0],
                    'Coef_C': coef[0],
                    'Coef_D': coef[1],
                    'Intercept': intercept})

# 将结果转换为DataFrame
results_df = pd.DataFrame(results)

print(results_df)

这个示例代码中，首先使用Pandas创建了一个包含'A', 'B', 'C', 'D'四列的示例数据。然后使用groupby方法按照'A'和'B'两列进行分组，得到一个分组对象grouped。

接下来，定义了一个线性回归模型LinearRegression()，并创建了一个空的结果存储列表results。

然后，通过遍历每个分组，提取出自变量X和因变量y，并使用fit方法训练回归模型。然后从训练好的模型中提取回归系数和截距，并将结果存储到results列表中。

最后，将结果列表转换为DataFrame，输出结果。

这个示例代码可以根据实际需求进行修改和扩展，例如可以更改回归模型、添加更多自变量等。