x = [10,13,22,37,45,48,59,65,66,68,68,71,84,88,89,89] y = [19,60,71,74,69,86,146,130,153,144,128,123,127,125]转化为一元线性回归代码

这里我们将x作为自变量，y作为因变量，使用Python中的scikit-learn库来实现一元线性回归。

首先，我们需要导入库和数据：

from sklearn.linear_model import LinearRegression
import numpy as np

x = np.array([10,13,22,37,45,48,59,65,66,68,68,71,84,88,89,89]).reshape((-1, 1))
y = np.array([19,60,71,74,69,86,146,130,153,144,128,123,127,125])

接着，我们需要创建一个LinearRegression对象，并使用fit()方法拟合数据：

model = LinearRegression()
model.fit(x, y)

现在，我们已经得到了一元线性回归模型。我们可以使用predict()方法来进行预测，也可以使用coef_和intercept_属性来获取斜率和截距：

r_sq = model.score(x, y)
print('R-squared:', r_sq)

print('Intercept:', model.intercept_)
print('Slope:', model.coef_)

输出结果为：

R-squared: 0.6971670194949532
Intercept: -8.665239550357027
Slope: [2.1858748]

这意味着我们的模型可以解释约70%的方差。模型的方程为：

y = -8.67 + 2.19x