标签归档：Python数据分析

Python 数据分析

Python 来算算一线城市的二手房价格指数相关性

留下评论

Python中有很多方法计算相关性，scipy中有自带的分析工具，pandas里也有非常方便的多变量相关性分析。我们今天就讲讲这两个工具的用法。

1.数据收集

本文北上广深的数据采集自东方财富网，以二手房价格指数为例：

数据从2011年1月1日开始，每个数据点是当时一个月的价格指数，采集方法是用开发者工具找到请求发回来的JSON数据，方法如下：

数据如下(2011/1/1-2019/10/1)：

# 北京：
bj = [100.3,100.4,99.9,100.1,99.8,99.9,100.1,100,99.6,99.5,99.3,99.2,99.1,99.8,100.2,100.4,99.9,100.2,100.3,100.3,100.1,100,100.3,101,101,102.2,103.1,102,101.7,101.3,101.4,101.2,101.3,101.1,101.2,100.6,99.9,100,100.2,99.8,99.1,98.7,99.2,99.1,98.6,100.3,100.7,100.2,100,99.9,100.5,102.1,104.3,102.3,102.6,102,101.4,101.1,101.4,101.7,102.3,103.2,106.3,103.7,102.3,101.4,101.6,103.9,105.7,101.1,100.2,100.2,100.8,101.3,102.2,100,99.1,98.9,99.2,99.1,99.4,99.5,99.5,99.6,99.4,99.5,99.8,99.9,100.3,100.1,100.4,100,99.8,99.8,99.4,99.8,99.9,100.2,100.4,100.6,100,100,99.7,99.6,99.5,99.4]
# 广州：
gz = [101.2,100.6,99.5,101,99.8,100.1,100.2,100.7,100.6,99.5,99.2,99.6,99.6,99.6,99.8,99.6,99.9,100.5,100.7,100.9,100.6,100.4,100.5,100.5,100.4,101.7,101.5,100.7,101.1,100.9,101,101,100.4,101,101.2,100.6,101,100.3,100.2,100.7,100.1,99.7,98.9,98.6,98.7,100,100,100.2,99.8,99.7,100,101.1,102.3,101.8,101.3,101,101.2,101.1,100.7,101,101.3,101.2,103.5,102.6,101.9,101.6,101.4,102.8,103.3,101.6,100.8,101.3,101.6,102.7,103.3,101,100.5,100.8,100.1,100,100.2,99.7,100.1,99.6,99.9,100.2,100.2,100.5,101,100.3,100.3,100.6,100.2,99.8,99.7,99.6,99.7,99.8,99.5,99.6,99.7,100,100.4,100,99.7,99.9]
# 上海： 
sh = [100.5,100.4,100.4,100.6,100.2,100.2,100.3,100.1,100.1,99.8,99.5,99.6,99.3,99.7,99.5,100.1,100.3,100.2,100.2,100.3,100.2,100.2,100.2,100.4,100.8,101.6,102.6,101.3,100.9,101.1,100.8,100.8,101,100.9,100.7,100.5,100.1,100.6,100.2,100,99.8,99.3,99.1,99.3,99.2,100,100,100.4,100.3,100.1,100,100.6,102.2,101.2,101.6,101.1,101,100.8,101,101.2,102.7,105.3,106.2,102.5,101.4,102.2,102,103.7,103.4,100.3,99.8,99.5,99.6,100.2,100.7,100.8,100,99.9,99.6,99.8,99.9,100.3,99.7,99.9,100.1,99.6,99.4,99.8,99.7,99.7,99.9,99.9,99.8,99.8,99.9,99.7,100,99.9,100.3,100.5,100.1,99.9,100.4,100,100.6,99.8]
# 深圳：
sz = [100.6,102.6,100.6,100.5,100.3,100,99.5,100,99.8,100,99.2,99.6,99.2,100,100.1,100,100,100.2,100.2,100.1,100.1,100.4,100.3,100.6,100.5,101.4,102.3,101.1,101,101.3,101,101.6,101.3,100.9,100.8,100.7,100.8,100.8,101.1,100.1,100.2,99.4,99.4,99.5,99.3,100,100.4,100.7,100.6,100.3,100.5,102.4,106.3,106.9,105.3,104.4,103.3,101,101.9,103.3,105.7,103.3,104.7,99.6,100,100.8,101.8,102,101.8,99.4,99.3,99.8,99.9,99.3,100.3,100.8,100.3,99.7,100.6,99.8,99.9,100.4,100.1,100.4,100.9,101.3,100.7,100.2,100.8,100.3,100.6,101.1,100,99.4,99.8,99.7,99.7,100.5,100.7,101.1,100,99.9,100.7,100.2,101.3,101]

2.准备工作

首先，你要确保你的电脑安装了Python，如果没有可以看这篇文章：超详细安装Python指南。

然后，打开CMD（开始-运行-cmd），或者Terminal(macOS) 输入以下指令安装scipy和pandas.

pip install scipy 
pip install pandas

3.编写代码

3.1 scipy计算相关性

scipy计算相关性其实非常简单，引入包的stats模块：

import scipy.stats as stats

然后调用函数进行计算：

# 计算广州和深圳二手房价格指数相关性
print(stats.pearsonr(gz, sz))

结果如下：

F:\push\20191130>python 1.py
(0.4673289851643741, 4.4100775485723706e-07)

什么？！！广州和深圳的二手房价格指数相关性竟然才0.46？那其他一线城市和深圳对比呢？

不过，stats麻烦的地方就在于，它一次只能对比两个值，不能一次性两两对比四个一线城市，不过，有个模块可以。

3.2 pandas一次性两两对比计算相关性

首先引入pandas：

import pandas as pd

创建DataFrame存放四个数据：

df = pd.DataFrame()
df['北京'] = bj
df['上海'] = sh
df['广州'] = gz
df['深圳'] = sz

最后相关性计算：

print(df.corr())

来看看结果：

wow，看来深圳的二手房价还真是与众不同，不过从下面这个图看，确实，深圳的二手房价格和北京的二手房价格已经出现了背离的情况。

个人认为，这个背离和最近的一系列政策及香港局势有关，但当前严峻的金融形势下，不会持续太久。

我们的文章到此就结束啦，如果你希望我们今天的Python 教程，请持续关注我们，如果对你有帮助，麻烦在下面点一个赞/在看哦有任何问题都可以在下方留言区留言，我们都会耐心解答的！

​Python实用宝典 (pythondict.com)
不只是一个宝典
欢迎关注公众号：Python实用宝典

Python 数据分析、生活智能化

Python 超简单3行代码提取音乐高潮(批量提取实战教程)

留下评论

有些时候，为了设定手机铃声或者发抖音视频，我们会耗费大量时间在剪辑音乐高潮部分上。那么这个音乐高潮的提取能不能自动化呢？当然可以。

1.原理简介

不知道大家有没有这样的体会，大部分时候，歌曲的高潮部分通常是重复次数最多的部分。因此我们可以根据这一个特征，提出我们的算法：

1.遍历整首歌曲。

2.将选定长度的部分与其他部分比较并计算相似度，以查看是否重复。

3.寻找重复次数较大、且间隔长的片段。

2.代码编写

为了避免造轮子，我们找到了别人已经做过的类似的项目：

https://github.com/vivjay30/pychorus

我们只需要分析这个源代码中最核心的部分，即求相似区段的源代码：

def compute_similarity_matrix_slow(self, chroma):
    """
    虽然慢，但是直接的方法来计算区段相似矩阵
    """
    num_samples = chroma.shape[1]
    time_time_similarity = np.zeros((num_samples, num_samples))
    for i in range(num_samples):
        for j in range(num_samples):
        # 检测每一段的相似度
            time_time_similarity[i, j] = 1 - (np.linalg.norm(chroma[:, i] - chroma[:, j]) / sqrt(12))
    return time_time_similarity

可以看到，这部分代码就是做了我们算法的第二步，进行了片段与片段之间的相似度计算。检测时用到的相似函数是这样的：

这主要是因为歌曲由12个基本音符的帧的集合而组成，v1和v2是任意两段音乐的音符矢量，如果说两段音乐非常相似，那么右边的式子将接近于0. 如果说 1-右边的式子 得分非常高，则说明两段音乐非常相似。

下面我们看看怎么使用这个项目求音乐高潮部分，其实非常简单。

2.1 安装所需要的项目

你可以通过pip安装该项目，如果你还没有安装好Python相关环境，建议阅读这篇文章：Python安装

pip install pychorus

2.2 编写代码

实际上，这个包用起来可是相当简单，如果我们只是想单纯提取歌曲高潮部分：

from pychorus import find_and_output_chorus
chorus_start_sec = find_and_output_chorus("你的音乐文件", "输出高潮部分文件", 要多少秒的高潮部分)

没错，两行代码就解决了。下面让我们检验一下效果。

3.效果检验

以《孤芳自赏》 为例，让我们试试这个提取器的功力。

原曲：

https://pythondict-1252734158.file.myqcloud.com/home/www/pythondict/wp-content/uploads/2019/11/2019112414210248.mp3

编写代码：

# 提取音乐高潮部分
from pychorus import find_and_output_chorus
chorus_start_sec = find_and_output_chorus("孤芳自赏.mp3", "孤芳自赏_high.wav", 40)

效果如下：

https://pythondict-1252734158.file.myqcloud.com/home/www/pythondict/wp-content/uploads/2019/11/2019112414230277.wav

非常优秀！提取了我心目中想要的部分。大家也可以根据我们今天的教程，试着提取一下自己喜欢的音乐的高潮部分哦！

4.批量提取

刚刚，只是完成了单首歌曲的高潮提取，如果你想提取整个文件夹下的音乐的高潮部分，可以这样做：

# Python 实用宝典
# 提取音乐高潮部分
# 2020/06/11

import os
import sys
from pychorus import find_and_output_chorus


def extract_all_file(files_path):
    """
    批量提取音乐高潮

    Args:
        files_path (str): 文件夹路径
    """

    # 文件夹路径
    modpath = os.path.dirname(os.path.abspath(sys.argv[0]))

    for filepath in os.listdir(files_path):

        # 路径处理
        datapath = os.path.join(modpath, files_path + filepath)

        # output文件夹是否存在
        targets = f"{modpath}\\output\\"
        if not os.path.exists(targets):
            os.makedirs(targets)

        # 提取音乐高潮至当前output文件夹下
        find_and_output_chorus(
            datapath, f"{targets}{filepath.split('.')[0]}_high.wav", 40
        )


extract_all_file("F:\\push\\20200611\\music\\")

这样就可以实现批量提取音乐高潮的功能。

我们的文章到此就结束啦，如果你希望我们今天的Python 教程，请持续关注我们，如果对你有帮助，麻烦在下面点一个赞/在看哦有任何问题都可以在下方留言区留言，我们都会耐心解答的！

音乐相关教程：

Python 批量下载网易云音乐歌单

Python 制作音乐高潮副歌提取器

Python Django快速开发音乐高潮提取网(1)

Python Django快速开发音乐高潮提取网(2)

Python Django快速开发音乐高潮提取网(3)

Python 超方便超快速剪辑音乐

Python 提取音乐频谱并可视化

​Python实用宝典 (pythondict.com)
不只是一个宝典
欢迎关注公众号：Python实用宝典

Python 数据分析

Python 预测广东省2019年12月猪肉价格

留下评论

前段时间我们用回归的方法预测了天猫的2019年销售额：《Python 多项式预测2019年天猫销售额》以及《人口出生率预测》 。今天我们将使用Facebook的“先知”模型来预测12月的猪价。

Python实用宝典其实已经用过“先知”模型，大家可以阅读这篇文章：《Python使用”先知”预测公众号未来的粉丝量》，当时预测公众号的粉丝在一个月后最多增长到547人，实际增长到了542人，预测地相当准确，而且是在我的宣传模式做了一些改变的情况下的效果，可见这个模型能够很好地处理一些异常变化。

今天我们将使用先知模型预测2019年12月广东省的猪肉价格，源代码和数据你都能通过关注文章最下方的公众号，后台回复：猪价预测 获得。本实验仅供参考。

1.准备数据

在猪价系统网站上利用开发者工具获得过去一年广东省的猪肉价格保存为json格式：
https://zhujia.zhuwang.cc/areapriceinfo-440000.shtml

部分数据如下：

实际上我认为，就猪价这样的对象，拿一年的数据是远远不够的，但是实在找不到前几年的数据。作为一次实验，我暂时以过去一年的数据作为训练集，如果你想要更精准地预测价格，建议至少找3年的数据。

2.数据预测

以下教程默认你已经安装好了Python并可以在CMD或Terminal中使用pip，如果没有请看这篇文章：安装python

2.1 安装 “先知” prophet

Prophet这个包真是一言难尽，如果你按照官方的教程来进行安装, 你会发现啥也安装不上（我吐了）。这里给大家介绍我的安装方法，避免你们走弯路：

第一步，我们需要安装fbprophet的依赖PyStan:

pip install pystan

第二步，使用conda命令安装(需要安装anaconda, 搜anaconda官网安装即可)：

conda install -c conda-forge fbprophet

2.2 编写预测代码

首先，利用开发者工具弄下来的数据缺少日期，我们需要获得过去365天的日期，并与原数据对应上：

# 获得2019-11-20过去365天的数据
days = []
today = datetime.date.today()
for i in range(0,366,1):
    daybeforetoday = today + datetime.timedelta(days=-i)
    days.append(daybeforetoday.strftime('%Y-%m-%d'))
days = list(reversed(days))
print(days)

然后我们将猪价提取出来，并将日期和猪价转换为pandas的DataFrame格式：

f = open('./data_20191120.json', 'r', encoding='utf-8')
json_data = json.load(f)
f.close()
# 提取猪价
list_number = json_data['pigprice']
print(len(list_number), len(days))
# prophet模型预测前需要将日期列设为ds，预测的值设为y
df = pd.DataFrame({'y':list_number, 'ds':days})
print(len(df), len(days))

最后，调用先知模型进行预测，这里我们只预测30天，所以periods设为了30：

from fbprophet import Prophet

# 调用"先知"生成对象
m = Prophet()

# 使用"先知对象"进行预测
m.fit(df)

# 获得未来30天的数据
future = m.make_future_dataframe(periods=30)

forecast = m.predict(future)
print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']].tail())

结果如下：

根据过去一年（可能不够）的猪肉价格数据，预测到在下个月的今天，猪肉将会上涨到49元/公斤左右的价格。由于数据量实在是太少了，检测不出每一年的猪肉波动性，因此这个预测得到的数据我估计误差比较大，但是大家只需要知道先知模型的使用方法，本文就值了。

我们的文章到此就结束啦，如果你希望我们今天的Python 教程，请持续关注我们，如果对你有帮助，麻烦在下面点一个赞/在看哦有任何问题都可以在下方留言区留言，我们都会耐心解答的！

​Python实用宝典 (pythondict.com)
不只是一个宝典
欢迎关注公众号：Python实用宝典

Python 数据分析、人工智能

Python 人口出生率数据预测及可视化

留下评论

上次我们用多项式回归预测了天猫的2019年销售额：《Python 多项式预测2019年天猫销售额》。今天的文章同样教大家怎么进行预测，不过对象换成2019年人口出生率。

今天我们将使用多项式回归模型预测2019年的中国人口出生率。

1.准备

在中华人民共和国国家统计局官方网站上下载过去20年的人口出生率数据：http://data.stats.gov.cn/easyquery.htm?cn=C01

数据如下，我们仅取人口出生率作为我们的数据集。

2.数据预测

以下教程默认你已经安装好了Python并可以在CMD或Terminal中使用pip，如果没有请看这篇文章：安装python，同上一节预测2019年天猫销售额一样，没有太多的改变，但是我们需要找到最合适的曲线，而不是一上来就用三元回归曲线：

2.1 数据预处理

# 数据集
datasets_X = [1999, 2000, 2001, 2002, 2003, 2004, 2005, 2006, 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018]
datasets_Y = [14.64, 14.03, 13.38, 12.86, 12.41, 12.29, 12.4, 12.09, 12.1, 12.14, 11.95, 11.9, 11.93, 12.1, 12.08, 12.37, 12.07, 12.95, 12.43, 10.94]
test_X = [2019]
 
# 数据预处理
dataset_length = len(datasets_X)
test_length = len(test_X)
# 将数据转化为numpy数组
datasets_X = np.array(datasets_X).reshape([dataset_length, 1])
test_X = np.array(test_X).reshape([test_length, 1])
datasets_Y = np.array(datasets_Y)

2.2 数据可视化

将已有的数据显示出来，并用蓝点作为标记，将每一年的横坐标都显示出来。曲线我们从二元回归曲线开始慢慢找到最符合数据趋势的曲线。

# 构造多项式特征
poly_reg = PolynomialFeatures(degree=2)
X_poly = poly_reg.fit_transform(datasets_X)
 
# 使用线性回归模型学习X_poly和datasets_Y之间的映射关系
lin_reg = LinearRegression()
lin_reg.fit(X_poly, datasets_Y)

# 数据可视化

# 蓝色显示训练数据点
plt.scatter(datasets_X, datasets_Y, color='blue')

# X轴
my_x_ticks = np.arange(1998, 2020, 1)
plt.xticks(my_x_ticks)

# 绘制线
X = np.arange(1998, 2020).reshape([-1, 1])
plt.plot(X, lin_reg.predict(poly_reg.fit_transform(X)), color='black')

plt.xlabel('Years')
plt.ylabel('Born rate')
plt.show()

运行代码结果如下：

二元回归曲线

显然二元回归曲线并不是非常适合这些数据，有许多点分布在离直线很远的距离。让我们试试三元回归曲线，修改poly_reg变量的degree，设为3:

poly_reg = PolynomialFeatures(degree=3)

结果如下：

三元回归曲线

感觉有辣么点意思了，再试试四元回归曲线：

四元回归曲线

发现和三元回归曲线相比没有太大的变化，那我们选三元回归曲线进行预测就可以了。

2.3 数据建模

# 数据建模
# 构造三次多项式特征
poly_reg = PolynomialFeatures(degree=3)
X_poly = poly_reg.fit_transform(datasets_X)
 
# 使用线性回归模型学习X_poly和datasets_Y之间的映射关系
lin_reg_3 = LinearRegression()
lin_reg_3.fit(X_poly, datasets_Y)
 
data = poly_reg.fit_transform(test_X)
pred = lin_reg_3.predict(data)
print(pred)

预测的2019人口出生率的值为：[ 11.25692317]，使用黄点表示该预测的值，得到的曲线图如下：

似乎是条挺合理的曲线，让我们拭目以待今年的人口出生率会不会是11.25，到时候记得翻出这篇文章来看看。

如果你喜欢今天的Python 教程，请持续关注Python实用宝典，如果对你有帮助，麻烦在下面点一个赞/在看哦有任何问题都可以在下方留言区留言，我们会耐心解答的！

​Python实用宝典 (pythondict.com)
不只是一个宝典
欢迎关注公众号：Python实用宝典

Python 数据分析

Python 多项式预测2019年天猫销售额

留下评论

双十一刚过，天猫的销售额创新高占领了各大新闻媒体头条。但是，知乎上的一个问题对本次双十一的销售额提出了一个非常有意思的问题：《如何看待双十一销售额完美分布在三次回归曲线上且拟合高达 99.94%？是巧合还是造假？》

本文的重点放在如何用Python实现三次回归曲线的预测功能。

1.数据源

采用cnbeta新闻报道中的数据：《[直击]2019年天猫双11落幕：交易额2684亿元》

有效数字保留三位，其中2009年为0.52亿、2010年为9.36亿、2011年为52.0亿。

2.代码构建

我们将使用scikitlearn的多项式回归实现预测。训练集是2009至2014年的数据，后续测试中将陆续增加训练集至2018年。

2.1 数据预处理

构造三次多项式特征需要以列的形式，因此代码中会将numpy数组reshape成列形式。

# 数据集
datasets_X = [2009, 2010, 2011, 2012, 2013, 2014]
datasets_Y = [0.52, 9.36, 52.0, 191, 350, 571]
test_X = [2015, 2016, 2017, 2018, 2019]
real_Y =  [912, 1207, 1682, 2132, 2684]

# 数据预处理
dataset_length = len(datasets_X)
test_length = len(test_X)
# 将数据转化为numpy数组，并变为列的形式
datasets_X = np.array(datasets_X).reshape([dataset_length, 1])
test_X = np.array(test_X).reshape([test_length, 1])
datasets_Y = np.array(datasets_Y)
real_Y = np.array(real_Y)

2.2 数据建模训练

这里需要注意的是，必须先构建三次多项式特征后才可放入线性回归模型。

# 数据建模
# 构造三次多项式特征
poly_reg = PolynomialFeatures(degree=3)
X_poly = poly_reg.fit_transform(datasets_X)

# 使用线性回归模型学习X_poly和datasets_Y之间的映射关系
lin_reg_3 = LinearRegression()
lin_reg_3.fit(X_poly, datasets_Y)

2.3 数据预测

训练完毕后，就可以将lin_reg_3模型用于预测：

data = poly_reg.fit_transform(test_X)
pred = lin_reg_3.predict(data)
print(pred)

结果：

[ 830.64251041 1127.88919544 1457.47841358 1814.48141575 2193.96944141]

在这个训练集的基础上，预测2019年的销售额是2193亿，和真实的2684亿还是差了点。不过这样看不是很直观，让我们可视化一下数据，并逐渐增加训练集。

3.数据可视化

用 matplotlib 可以非常简单地实现这一步，设定X轴范围—绘制数据点—绘制线，最后加上横纵轴说明。

# 数据可视化
# X轴
X = np.arange(2009, 2020).reshape([-1, 1])
# 蓝色显示训练数据点
plt.scatter(datasets_X, datasets_Y, color='blue')
# 红色显示真实数据点
plt.scatter(test_X, real_Y, color='red')
# 黄色显示预测数据点
plt.scatter(test_X, pred, color='yellow')

plt.plot(X, lin_reg_3.predict(poly_reg.fit_transform(X)), color='black')
plt.xlabel('年份')
plt.ylabel('销售额(亿)')
plt.show()

结果如下，蓝色点是训练值，红色点是真实值，而黄色的点是预测值：

训练集增加2015年的真实数据，结果如下：

有意思，真实值反而比预测值低了，说明2015年这一年的成交额非常优秀。

再增加2016年的真实数据到训练集里看一下。

现在，2017年、2018年的预测值非常接近，预测2019年的销售额是2507.3990亿元，离真实的2684亿差了100多亿。让我们继续增加2017年的真实数据到训练集中，预测2018年和2019年的销售额。

优秀，不过2019年预测的销售额为2750亿，略高于真实值2684亿，我们最后将2018年真实值加入到训练集中，看看2019年该模型的预测值是多少。

惊呆了，小红点和小黄点完美重合。按照这个模型，2020年的双十一销售额将会是3293亿元。

关注文章最下方Python实用宝典公众号二维码，回复 天猫销售额预测 或阅读原文下载查阅本模型完整源代码：

import matplotlib.pyplot as plt
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures
from sklearn.metrics import r2_score

# 指定默认字体否则图片显示不了中文
from pylab import mpl
mpl.rcParams['axes.unicode_minus'] = False # 解决符号显示问题
mpl.rcParams['font.sans-serif'] = ['FangSong']

# 数据集
datasets_X = [2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018]
datasets_Y = [0.52, 9.36, 52.0, 191, 350, 571, 912, 1207, 1682, 2132]
test_X = [2019]
real_Y =  [2684]

# 数据预处理
dataset_length = len(datasets_X)
test_length = len(test_X)
# 将数据转化为numpy数组
datasets_X = np.array(datasets_X).reshape([dataset_length, 1])
test_X = np.array(test_X).reshape([test_length, 1])
datasets_Y = np.array(datasets_Y)
real_Y = np.array(real_Y)

# 数据建模
# 构造三次多项式特征
poly_reg = PolynomialFeatures(degree=3)
X_poly = poly_reg.fit_transform(datasets_X)

# 使用线性回归模型学习X_poly和datasets_Y之间的映射关系
lin_reg_3 = LinearRegression()
lin_reg_3.fit(X_poly, datasets_Y)

data = poly_reg.fit_transform(test_X)
pred = lin_reg_3.predict(data)
print(pred)

# 数据可视化
# X轴
X = np.arange(2009, 2020).reshape([-1, 1])
# 蓝色显示训练数据点
plt.scatter(datasets_X, datasets_Y, color='blue')
# 红色显示真实数据点
plt.scatter(test_X, real_Y, color='red')
# 黄色显示预测数据点
plt.scatter(test_X, pred, color='yellow')

plt.plot(X, lin_reg_3.predict(poly_reg.fit_transform(X)), color='black')
plt.xlabel('年份')
plt.ylabel('销售额(亿)')
plt.show()

如果你喜欢今天的Python 教程，请持续关注Python实用宝典，如果对你有帮助，麻烦在下面点一个赞/在看哦有任何问题都可以在下方留言区留言，我们会耐心解答的！

​Python实用宝典 (pythondict.com)
不只是一个宝典
欢迎关注公众号：Python实用宝典