很多人在处理数据时都会遇到这样的问题：想知道某个变量如何影响另一个变量。比如，广告投入多了，销售额是不是真的会上升？这时候，回归分析就派上用场了。在Python里，做回归分析并不复杂，只要装对了包，写几行代码就能出结果。
安装必要的库
开始之前，先确保你已经安装了数据分析常用的几个库：numpy、pandas 和 statsmodels。如果还没装，打开命令行运行下面这句：
pip install numpy pandas statsmodels如果你还打算画图看看数据分布，顺手把 matplotlib 也装上：
pip install matplotlib准备一组简单数据
假设你在一家电商公司上班，想看看广告投放费用和每日销售额之间有没有关系。你收集了一周的数据，存在列表里：
import pandas as pd
# 模拟数据：广告费用（千元）和对应销售额（万元）
data = {
'ad_spending': [1.2, 1.8, 3.0, 4.5, 6.0, 7.2, 8.0],
'sales': [2.5, 3.1, 4.8, 6.2, 8.0, 9.1, 10.3]
}
df = pd.DataFrame(data)
print(df)这段代码会输出一个表格，看着清楚些。接下来就可以建模了。
进行线性回归分析
我们用 statsmodels 来跑一个最简单的线性回归模型，看看广告投入对销售的影响有多大。
import statsmodels.api as sm
# 定义自变量（X）和因变量（y）
X = df['ad_spending']
y = df['sales']
# 给X加一列常数项，用于拟合截距
X = sm.add_constant(X)
# 建立模型并拟合
model = sm.OLS(y, X).fit()
# 输出结果摘要
print(model.summary())运行完之后，你会看到一大段输出，其中最关键的是两个数字：const 和 ad_spending 对应的 coef 值。比如 ad_spending 的系数是 1.15，说明每多投1千元广告，销售额平均增加约1.15万元。这个值越显著越好，看 P>|t| 是否小于0.05就行。
画图直观展示关系
光看数字不够直观，画个散点图再加条回归线，一眼就能看出趋势。
import matplotlib.pyplot as plt
plt.scatter(df['ad_spending'], df['sales'], color='blue', label='实际数据')
plt.plot(df['ad_spending'], model.fittedvalues, color='red', label='回归线')
plt.xlabel('广告投入（千元）')
plt.ylabel('销售额（万元）')
plt.legend()
plt.show()图上红线就是模型拟合出来的趋势线，如果点都离线不远，说明模型效果不错。
预测新数据
现在你想知道，如果某天投了5.5千元广告，预计能卖多少？直接用模型预测就行。
new_data = pd.DataFrame({'const': [1], 'ad_spending': [5.5]})
prediction = model.predict(new_data)
print(f'预计销售额：{prediction.values[0]:.2f} 万元')这样就能快速给出一个参考值，帮助做决策。