python 单列时间序列函数线性回归

Python中有多种库可以用于单变量时间序列的线性回归分析，其中比较常用的是statsmodels和scikit-learn库。

1. 使用statsmodels库进行线性回归分析：
首先，你需要导入statsmodels库和其他必要的库：

   import statsmodels.api as sm
   import pandas as pd
   import numpy as np

然后，你需要准备你的时间序列数据。假设你的时间序列数据存储在一个名为df的DataFrame中，其中包含两列：时间（日期或时间戳）和目标变量（要预测的值）。

接下来，你可以使用statsmodels的OLS（Ordinary Least Squares）函数来进行线性回归分析：

   X = sm.add_constant(df['时间'])  # 添加常数列
   y = df['目标变量']
   model = sm.OLS(y, X)
   results = model.fit()

最后，你可以通过访问results对象来获取回归结果的摘要信息：

   print(results.summary())

2. 使用scikit-learn库进行线性回归分析：
首先，你需要导入scikit-learn库和其他必要的库：

   from sklearn.linear_model import LinearRegression
   import pandas as pd
   import numpy as np

然后，你需要准备你的时间序列数据。假设你的时间序列数据存储在一个名为df的DataFrame中，其中包含两列：时间（日期或时间戳）和目标变量（要预测的值）。

接下来，你可以创建一个LinearRegression对象并拟合你的数据：

   X = df['时间'].values.reshape(-1, 1)  # 将时间转换为二维数组
   y = df['目标变量']
   model = LinearRegression()
   model.fit(X, y)

最后，你可以通过访问model对象来获取回归结果的一些信息：

   print('斜率:', model.coef_)
   print('截距:', model.intercept_)