### 在 Jupyter Notebook 中读取 `.xlsx` 文件并实现二元线性回归模型的可视化 要实现在 Jupyter Notebook 中读取 Excel 表格（`.xlsx` 文件），并对其中的数据应用二元线性回归模型进行可视化，可以遵循以下方法。 #### 1. 安装必要的库 确保安装了所需的 Python 库，包括用于处理 Excel 文件的 `pandas` 和执行线性回归的 `scikit-learn`。如果尚未安装这些库，则可以通过运行以下命令来安装它们： ```bash pip install pandas openpyxl scikit-learn matplotlib ``` #### 2. 加载数据 使用 `pandas` 的 `read_excel()` 方法加载 `.xlsx` 文件中的数据。假设文件名为 `data.xlsx` 并且包含两列自变量 (`x1`, `x2`) 和一列表达因变量 (`y`)。 ```python import pandas as pd # 读取 .xlsx 文件 file_path = 'data.xlsx' # 替换为实际路径 df = pd.read_excel(file_path) # 查看数据结构 print(df.head()) ``` 此处代码片段展示了如何从指定路径加载 Excel 数据表，并打印前几行以验证其内容[^3]。 #### 3. 准备数据集 提取所需列作为特征矩阵 `X` 和目标向量 `y`。这里假定 DataFrame 列名分别为 `'x1'`, `'x2'` 及 `'y'`。 ```python # 提取特征和标签 X = df[['x1', 'x2']].values y = df['y'].values.reshape(-1, 1) ``` 这段脚本定义了输入变量集合与对应的输出响应值数组以便后续建模操作之用[^4]。 #### 4. 构造与训练模型 创建一个线性回归实例并通过调用 fit() 方法对其进行参数估计。 ```python from sklearn.linear_model import LinearRegression # 初始化线性回归对象 regressor = LinearRegression() # 对数据进行拟合 regressor.fit(X, y) # 输出回归系数 print(f"Intercept: {regressor.intercept_}") print(f"Coefficients: {regressor.coef_}") ``` 上述程序段实现了标准最小二乘法求解最佳拟合适配直线的任务，并报告所得截距(intercept)以及各维度权重(coefficient)[^5]。 #### 5. 结果可视化 最后一步是对结果加以图形化呈现。由于我们面对的是双因素情形下的预测问题，因此可考虑采用三维曲面图或者二维投影方式分别表现整体趋势及局部细节特性。 ##### 方案A - 三维表面图 借助 Matplotlib 工具包内的 Axes3D 子模块描绘立体效果如下所示: ```python %matplotlib inline import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D fig = plt.figure(figsize=(10,7)) ax = fig.add_subplot(111, projection='3d') xx, yy = np.meshgrid(np.linspace(min(df['x1']), max(df['x1'])), np.linspace(min(df['x2']), max(df['x2']))) z = regressor.intercept_[0] + regressor.coef_[0][0]*xx + regressor.coef_[0][1]*yy surf = ax.plot_surface(xx, yy, z, rstride=1, cstride=1, alpha=0.8, cmap=plt.cm.coolwarm) scatter = ax.scatter(df['x1'], df['x2'], df['y'], color='blue') plt.xlabel('X1') plt.ylabel('X2') ax.set_zlabel('Y Prediction') plt.title('Binary Linear Regression Visualization via Surface Plot'); ``` 此部分提供了关于如何利用三维坐标系展现多元回归分析成果的具体指导方案[^6]。 ##### 方案B - 投影平面视图 另一种选择则是专注于单个方向上的映射关系，从而简化视觉复杂度的同时保留主要信息要点。 ```python plt.figure(figsize=(8,6)) # 绘制第一个独立变量相对于应变量的关系曲线 plt.subplot(1,2,1) plt.scatter(df['x1'], df['y']) plt.plot(sorted(df['x1']), sorted(regressor.predict(pd.DataFrame({'x1':sorted(df['x1']), 'x2':[df['x2'].mean()]*len(df))))),color='orange') plt.title('Relationship between X1 and Y') plt.xlabel('X1'); plt.ylabel('Y'); # 同样针对第二个独立变量做相同处理 plt.subplot(1,2,2) plt.scatter(df['x2'], df['y']) plt.plot(sorted(df['x2']), sorted(regressor.predict(pd.DataFrame({'x1':[df['x1'].mean()]*len(df), 'x2':sorted(df['x2'])}))),color='green') plt.title('Relationship between X2 and Y') plt.xlabel('X2'); plt.ylabel('Y'); plt.tight_layout(); plt.show(); ``` 通过这种方式能够更清晰地看出每一个单独因子是如何影响最终输出水平的变化规律特点[^7]。 ---