一些简单的Python脚本-实现某些分析效果-过程展示

import numpy as npdef calculate_linear_regression(data_text):    """    使用最小二乘法计算回归直线方程的斜率和截距    :param data_text: 输入的数据文本，行与行之间用换行符，列与列之间用空格分隔    :return: 斜率 k 和 截距 b    """    x_list = []    y_list = []    # 逐行处理文本数据    for line in data_text.strip().split('\n'):        # 过滤掉可能存在的空行        if not line.strip():            continue        # 按空格拆分每一行        columns = line.split()        # 提取第一列 (索引 0) 和第四列 (索引 3)        # 注意：这里假设您的数据至少有 4 列，并且都是数值        x_list.append(float(columns[0]))        y_list.append(float(columns[3]))    # 转换为 numpy 数组进行数学计算    X = np.array(x_list)    Y = np.array(y_list)    # === 核心：最小二乘法公式计算 ===    # 斜率 k = Cov(X, Y) / Var(X)    n = len(X)    mean_x = np.mean(X)    mean_y = np.mean(Y)    # 分子: sum((x - mean_x) * (y - mean_y))    numerator = np.sum((X - mean_x) * (Y - mean_y))    # 分母: sum((x - mean_x)^2)    denominator = np.sum((X - mean_x) ** 2)    k = numerator / denominator    b = mean_y - k * mean_x    return k, b# --- 测试数据 ---# 每一行代表一组数据，以空格分隔，第一列为 x，第四列为 ymock_data = """1.0 99 99 2.12.0 99 99 3.93.0 99 99 6.14.0 99 99 8.05.0 99 99 10.2"""# 运行计算slope, intercept = calculate_linear_regression(mock_data)# 输出结果print("--- 计算结果 ---")print(f"斜率 (k): {slope:.4f}")print(f"截距 (b): {intercept:.4f}")print(f"回归直线方程为: y = {slope:.4f}x + ({intercept:.4f})")