给我一个python股票预测的代码并包含数据集

好的，以下是一个简单的基于Python的股票预测代码，使用了线性回归模型，并使用了Quandl库获取股票数据集。

首先，我们需要安装Quandl库。在命令行中执行以下命令即可：

pip install quandl

接下来，我们将使用Quandl库获取AAPL公司的股票数据集。代码如下所示：

import quandl
quandl.ApiConfig.api_key = "YOUR_API_KEY"  # 这里需要替换成你的API Key
data = quandl.get("WIKI/AAPL")
data = data[['Adj. Close']]

然后，我们将使用sklearn库来创建线性回归模型。代码如下所示：

from sklearn.linear_model import LinearRegression
import numpy as np

# 创建一个变量来存储预测天数
forecast_out = 30

# 创建一个变量来存储标签数据
y = np.array(data['Adj. Close'])

# 创建一个变量来存储特征数据
X = np.array(range(len(data)))
X = X.reshape(-1, 1)

# 创建线性回归模型
lr = LinearRegression()

# 在特征数据和标签数据上训练模型
lr.fit(X, y)

# 创建一个变量来存储预测数据
forecast_data = np.array(range(len(data), len(data) + forecast_out))
forecast_data = forecast_data.reshape(-1, 1)

# 使用训练好的模型进行预测
forecast = lr.predict(forecast_data)

最后，我们可以将预测结果可视化。代码如下所示：

import matplotlib.pyplot as plt

# 可视化原始数据
plt.plot(X, y)

# 可视化预测数据
plt.plot(forecast_data, forecast)

plt.show()

完整代码如下所示：

import quandl
quandl.ApiConfig.api_key = "YOUR_API_KEY"  # 这里需要替换成你的API Key
data = quandl.get("WIKI/AAPL")
data = data[['Adj. Close']]

from sklearn.linear_model import LinearRegression
import numpy as np

# 创建一个变量来存储预测天数
forecast_out = 30

# 创建一个变量来存储标签数据
y = np.array(data['Adj. Close'])

# 创建一个变量来存储特征数据
X = np.array(range(len(data)))
X = X.reshape(-1, 1)

# 创建线性回归模型
lr = LinearRegression()

# 在特征数据和标签数据上训练模型
lr.fit(X, y)

# 创建一个变量来存储预测数据
forecast_data = np.array(range(len(data), len(data) + forecast_out))
forecast_data = forecast_data.reshape(-1, 1)

# 使用训练好的模型进行预测
forecast = lr.predict(forecast_data)

import matplotlib.pyplot as plt

# 可视化原始数据
plt.plot(X, y)

# 可视化预测数据
plt.plot(forecast_data, forecast)

plt.show()

注意：在上面的代码中，你需要将YOUR_API_KEY替换为你的Quandl API Key。此外，这只是一个简单的股票预测模型，实际情况可能更加复杂，需要更多的特征工程和模型调整。