python中只用numpy，matplotlib，pandas，scipy做多元线性回归代码

好的，以下是一个使用numpy、matplotlib、pandas和scipy库进行多元线性回归的示例代码：

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from scipy import stats

# 读取CSV文件
data = pd.read_csv('data.csv')

# 将数据转换为numpy数组
x = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 计算相关系数矩阵
r = np.corrcoef(x.T)

# 计算特征值和特征向量
eig_vals, eig_vecs = np.linalg.eig(r)

# 取最大的k个特征值对应的特征向量组成投影矩阵
k = 2
proj_mat = eig_vecs[:, :k]

# 将数据降维到k维
x_pca = x.dot(proj_mat)

# 添加一列全为1的向量作为截距
x_pca = np.hstack((np.ones((x_pca.shape[0], 1)), x_pca))

# 计算最小二乘解
beta = np.linalg.inv(x_pca.T.dot(x_pca)).dot(x_pca.T).dot(y)

# 输出回归系数
print('回归系数为', beta)

# 绘制回归直线
plt.scatter(x_pca[:, 1], y)
x_line = np.linspace(np.min(x_pca[:, 1]), np.max(x_pca[:, 1]), 100)
y_line = beta[0] + beta[1] * x_line
plt.plot(x_line, y_line, color='red')
plt.show()

其中，data.csv文件格式如下所示：

x1,x2,y
1,2,5
2,3,7
3,4,9
4,5,11
5,6,13

代码首先读取CSV文件并将数据转换为numpy数组。然后，计算相关系数矩阵，并求出特征值和特征向量。接着，取最大的k个特征值对应的特征向量组成投影矩阵，将数据降维到k维，并添加一列全为1的向量作为截距。最后，计算最小二乘解，得到回归系数，并绘制回归直线。

上述代码仅仅是一个示例，您可以根据自己的需要进行修改和扩展。同时，需要注意的是，多元线性回归需要满足一些前提条件，如线性关系、正态分布、同方差性等，您需要在进行回归分析之前进行检验。