任务三：应用最小二乘法实现对奥运比赛数据的线性回归。 计算 w0=? w1=? 然后，在一个图中同时画出样本点和模型直线。使用spyder

为了在Python中使用最小二乘法进行线性回归分析并创建图形，我们可以使用NumPy和Matplotlib库。这里是一个简单的步骤：

首先，假设我们已经有一个包含奥运会比赛数据的Pandas DataFrame，其中至少有两个变量：比如`time`（秒）和`distance`（米），我们将预测距离依赖于时间。

1. **导入所需库**:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression  # 用于最小二乘法

2. **加载和准备数据**:

data = pd.read_csv('olympic_data.csv')  # 假设csv文件名为olympic_data.csv
X = data['time'].values.reshape(-1, 1)  # 时间列作为输入特征
y = data['distance']  # 成绩作为目标变量

3. **线性回归模型**:

model = LinearRegression()
model.fit(X, y)
w0 = model.intercept_  # 回归直线的截距
w1 = model.coef_[0]  # 回归直线的斜率

print(f"Intercept: {w0:.2f}")
print(f"Slope: {w1:.2f}")

4. **绘制数据和模型直线**:

plt.figure(figsize=(8,6))
plt.scatter(X, y, label='Sample Points', color='blue')
plt.plot(X, w0 + w1 * X, 'r', linewidth=2, label='Linear Regression Line')

# 添加标题和轴标签
plt.title('Linear Regression on Olympic Data')
plt.xlabel('Time (seconds)')
plt.ylabel('Distance (meters)')
plt.legend()

plt.grid(True)
plt.show()

在这个例子中，`w0`是回归直线与Y轴交点的y坐标，`w1`则是每增加一秒时间对应的平均增加距离。图形会显示出样本点以及由回归模型拟合的直线。