jupyter -工作年限和对应年薪简单数据集，根据它绘出数据的散点图，并尝试应用线性回归模型拟合数据，求出直线方程

Jupyter是一个交互式的数据分析环境，常用于Python编程，尤其适合于数据可视化和机器学习项目。如果你想创建一个关于工作年限和年薪的数据集的散点图，并利用线性回归模型进行拟合，你可以按照以下步骤操作：

1. 首先，你需要有一个包含工作年限（通常作为x轴变量）和年薪（y轴变量）的数据集。这个数据可以手动生成，例如使用numpy生成随机数，或者从实际数据库或CSV文件读取。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# 假设我们有如下数据
years_of_experience = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
salary = np.linspace(30000, 120000, len(years_of_experience)) + np.random.normal(0, 5000, size=len(years_of_experience))

data = {'Years of Experience': years_of_experience, 'Salary': salary}
df = pd.DataFrame(data)

2. 接下来，绘制散点图：

plt.scatter(df['Years of Experience'], df['Salary'])
plt.xlabel('Years of Experience')
plt.ylabel('Salary')
plt.title('Scatter Plot of Years of Experience vs Salary')
plt.show()

3. 应用线性回归模型并拟合数据：

X = df[['Years of Experience']]
y = df['Salary']
model = LinearRegression()
model.fit(X, y)

# 输出模型系数（斜率）和截距
slope, intercept = model.coef_[0], model.intercept_
print(f"Linear Regression Equation: {slope:.2f} * Years of Experience + {intercept:.2f}")

这将得到一个简单的线性回归模型，描述年薪如何随着工作经验变化。注意，这是一个理想化的例子，实际数据可能会更复杂，需要进一步的数据清理和特征工程。