Python——线性回归模型

r囧r小猫 2023-01-02 01:14 239阅读 0赞

### 线性回归模型 ###

*   *  1、线性回归模型
     *  2. 销售收入预测
     *  3. 导入数据
     *  4. 处理日期数据
     *  5. 建立线性回归模型，利用线性拟合函数进行预测

[Python——租房信息数据分析][Python]

数据源：在百度网盘喏，自行下载。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70]  
链接：[https://pan.baidu.com/s/1bJbwmBza9KAmWMmXi4se7A][https_pan.baidu.com_s_1bJbwmBza9KAmWMmXi4se7A]  
提取码：ru68

## 1、线性回归模型 ##

线性回归模型在Python第三方模块 sklearn 模块下的 linear\_model 模块中。使用时先进行导入。

线性回归建模的函数为： sklearn.linear\_model.LinearRegression  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 1]

## 2. 销售收入预测 ##

假设某电商已投入了1-6月的广告费，广告费的投入情况保存在文件“广告宣传支出.xls”中，文件“销售收入.xls”中是这6个月对应的销售收入情况，分析广告费和销售收入的关系，对某电商的销售收入进行分析与预测，然后通过投入广告费预测未来销售收入。

导入并查看数据；  
按月度统计销售收入和广告费支出；  
建立线性回归模型，以月度收入和支出拟合线性模型（见“销售收入预测.ipynb”）  
7月预计投入60000元广告费，使用线性模型预测7月销售收入；  
画出1-6月的广告费支出和销售收入的散点图，以及预测回归线。  
![在这里插入图片描述][20210103221319108.png]

## 3. 导入数据 ##

import pandas as pd
    import numpy as np
    # 导入广告宣传支出数据
    ad_sale = pd.read_excel(r"./data/广告宣传支出.xls")
    print(ad_sale.head())
    print("清洗前缺失值的数目:\n",ad_sale.isnull().sum())

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 2]

import pandas as pd
    import numpy as np
    # 销售收入数据
    ad_gain = pd.read_excel(r"./data/销售收入.xls")
    print(ad_gain)
    print("清洗前缺失值的数目:\n",ad_gain.isnull().sum())

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 3]  
![在这里插入图片描述][20210103221540992.png]  
从上面输出数据来看，共有24541条数据，而售后退货单号"NAN"值为24514, 所以这个表格数据是不需要进行清洗的。

## 4. 处理日期数据 ##

**要求：**

1.  日期数据的转换与处理
2.  按月度统计

# 日期数据的转换与处理
    ad_sale["投放日期"] = pd.to_datetime(ad_sale["投放日期"]) #将数据类型转换为日期类型
    ad_gain["业务日期"] = pd.to_datetime(ad_gain["业务日期"])
    df1 = ad_sale[["投放日期","支出"]]
    df2 = ad_gain[["业务日期","金额"]]
    df1 = df1.set_index("投放日期") # 设置index
    df2 = df2.set_index("业务日期")
    print(df2)
    print(df1.shape)
    print(type(df1))
    print(df1.index)
    print('---'*25)
    print(df2.shape)
    print(type(df2))
    print(df2.index)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 4]

# 按月度统计
    df1_M = df1.resample('M').sum().to_period('M') # 按月度统计并显示
    df2_M = df2.resample('M').sum().to_period('M')
    # 创建含有月度收入和支出的数据
    d_count = pd.concat([df1_M,df2_M],axis=1) # 以列连接 两个表的数据
    # d_count = d_count.reset_index(drop=True) # 消除索引
    
    print(d_count)

![在这里插入图片描述][2021010322182924.png]

## 5. 建立线性回归模型，利用线性拟合函数进行预测 ##

1.  线性回归建模
2.  拟合线性模型
3.  使用线性模型进行预测：7月预计投入60000元广告费，预测7月的收入
4.  绘制实际月度销售收入和广告投入的散点图
5.  绘制线性拟合直线

import matplotlib
    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    from sklearn import linear_model
    matplotlib.rcParams['font.sans-serif']=['SimHei']
    matplotlib.rcParams['axes.unicode_minus']=False
    
    X = pd.DataFrame(d_count["支出"]) # 广告支出
    Y = pd.DataFrame(d_count["金额"]) # 广告收益
    clf=linear_model.LinearRegression()
    clf.fit(X,Y)
    z = clf.predict(X)
    print(clf.score(x,y)) # 0.602439003329331

plt.figure(figsize=(8,6))
    plt.scatter(x, y,color='r') 
    plt.scatter(60000, z[-1],color='k') # 预测点
    plt.plot(x, z, color="b") # 预测回归
    plt.title("预测回归")
    plt.xlabel("广告支出")
    plt.ylabel("广告收益")
    plt.savefig(r"C:\Users\锦樽\Desktop\预测回归.png",dpi=400)
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 5]

[Python]: https://blog.csdn.net/weixin_44775255/article/details/112158268
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70]: /images/20221120/e34b039753504dcf827fdc7346337e37.png
[https_pan.baidu.com_s_1bJbwmBza9KAmWMmXi4se7A]: https://pan.baidu.com/s/1bJbwmBza9KAmWMmXi4se7A
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 1]: /images/20221120/295e9643292547a194c45ab920c21b52.png
[20210103221319108.png]: /images/20221120/7436715befe945cd809cf79c500b92e0.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 2]: /images/20221120/64fd9b751d424efe8a78c52549c00546.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 3]: /images/20221120/8a00daaa090a4d88867dcbe5d54cd76e.png
[20210103221540992.png]: /images/20221120/d7d93b16e9584e598afb46f2b14fac49.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 4]: /images/20221120/76714ab24dc748d2ae6dd5d221282e97.png
[2021010322182924.png]: /images/20221120/bdeab368da2e4ba581f226516dc6a610.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDc3NTI1NQ_size_16_color_FFFFFF_t_70 5]: /images/20221120/ee12eb4443334e85a3791be284b117fe.png