好的 谢谢!

是的，斜率为正表示上升，为负表示下降

出来了，这种情况下，斜率是正数，就是表示6个月由远到近数值在上升吧

出现这个错误是因为传入的y要求是一维数组，x要求是二维数组，而你简单互换身份后，没有讲x设定为二维数组，y设定为一维数组。应该这样改：

#要求y是一维数组

y=data.loc[i,"近6":"近1"].values

#要求x是二维数组，哪怕x只由一个变量

x=np.array([1,2,3,4,5,6]).reshape(6,1)

出现这个错误是因为传入的y要求是一维数组，x要求是二维数组，而你简单互换身份后，没有讲x设定为二维数组，y设定为一维数组。应该这样改：

#要求y是一维数组

y=data.loc[i,"近6":"近1"].values

#要求x是二维数组，哪怕x只由一个变量

x=np.array([1,2,3,4,5,6]).reshape(6,1)

变换x和y以后，代码这么写，斜率出来都显示是异常情况，是什么原因呢

for i in range(rows):

reg=linear_model.LinearRegression()

id=data2["credit_no"][i]

x=[1,2,3,4,5,6]

y=data2.loc[i,"近6个月里程数":"近1个月里程数"].values.reshape(6,1)

try:

reg.fit(x,y)

coef=reg.coef_[0]

except:

coef="异常情况"

data2.loc[i,"斜率"]=coef

是的x就是日期，一般x是确定的，能够控制的，日期就相当于是确定的，每走一个月加一个数字1

以为我也想用一元线性方程，所以一元线性方程对应的x,y的参数，x是自变量，y是因变量，那么其实x应该是日期吧

是的

好像是你说的这样的，那么我是不是把代码里面x变量和y变量换一下就可以了

按照我的理解如果你想研究这个指标的变化趋势，横轴应该是时间，纵轴应该是指标值，那么x应该是时间，y是具体的指标值。你看下是否应该这样。

还有个问题，我这个代码里面，近6的数代表前6个月的数据，对应的y为“1”，那么如果我的斜率是正数，就说明我的近6到近1的数据是上升趋势对吧

我找到原因了，问题出在我的缩进有问题，data2.loc[i,"斜率"]=coef这行代码的缩进不正确导致的，现在可以了，感谢！

我把你的截图下载下来查看，发现里面没有截取斜率数据，你重新截一下

我只跑出来了最后一行数据的斜率，是不是循环出问题了？

我这样跑出来为什么斜率都是空的呢，只有一个有值

for i in range(rows):

reg=linear_model.LinearRegression()

id=data2["credit_no"][i]

x=data2.loc[i,"近6个月里程数":"近1个月里程数"].values.reshape(6,1)

y=[1,2,3,4,5,6]

try:

reg.fit(x,y)

coef=reg.coef_[0]

except:

coef="异常情况"

data2.loc[i,"斜率"]=coef

import numpy as np

import matplotlib.pyplot as plt

import pandas as pd

plt.rcParams['font.family'] = ['sans-serif']

plt.rcParams['font.sans-serif'] = ['SimHei']

# 读取数据

data_1 = pd.read_excel("直线.xlsx",index_col = "序号")

data_1

#创建一个拟合直线的函数

def linear_regression(x, y):

N = len(x)

sumx = sum(x)

sumy = sum(y)

sumx2 = sum(x ** 2)

sumxy = sum(x * y)

A = np.mat([[N, sumx], [sumx, sumx2]])

b = np.array([sumy, sumxy])

return np.linalg.solve(A, b)

slope = []

for i in range(288):

slope.append(list(linear_regression(data_1.iloc[i],b))[0])

slope