如何在Python Pandas中计算斜率、截距并生成y=mx+c列？

完全可以实现，分两种场景给你具体方案：

场景1：已知m和c为固定常数 #

如果m、c是预先确定的固定值，直接通过Pandas的列运算就能新增y列：

import pandas as pd
from datetime import date
import numpy as np

# 生成你提供的示例数据
date_range = pd.date_range(date(2021,11,7), date.today())
value = np.random.rand(len(date_range))
historical = pd.DataFrame({'date': date_range, 'Sales' : value})

# 设定固定的m和c（示例值，可根据需求修改）
m = 1.5
c = 0.3

# 方案A：以Sales作为x变量计算y
historical['y'] = m * historical['Sales'] + c

# 方案B：以日期作为x变量（需先转成可计算的数值，比如距离起始日的天数）
historical['x_date'] = (historical['date'] - historical['date'].min()).dt.days
historical['y_from_date'] = m * historical['x_date'] + c

场景2：通过现有数据拟合得到m和c #

如果需要基于数据（比如日期和Sales的线性关系）拟合出回归方程的m和c，可用两种常用方法：

方法1：用numpy.polyfit快速拟合 #

# 先把日期转为数值型x
historical['x_date'] = (historical['date'] - historical['date'].min()).dt.days

# 拟合一次线性方程，返回结果就是[m, c]
m, c = np.polyfit(historical['x_date'], historical['Sales'], deg=1)

# 生成拟合后的y列
historical['y_fit'] = m * historical['x_date'] + c

方法2：用sklearn线性回归（适合复杂场景扩展） #

from sklearn.linear_model import LinearRegression

# 准备特征矩阵（sklearn要求输入为二维数组）
X = historical['x_date'].values.reshape(-1, 1)
y_target = historical['Sales']

# 训练模型
model = LinearRegression()
model.fit(X, y_target)

# 提取斜率和截距
m = model.coef_[0]
c = model.intercept_

# 生成拟合列
historical['y_fit'] = model.predict(X)

示例输出效果 #

执行代码后，你的DataFrame会新增对应列，类似：

date     Sales  x_date         y_fit
0   2021-11-07  0.210038       0  0.207341
1   2021-11-08  0.918222       1  0.208423
2   2021-11-09  0.202677       2  0.209505
3   2021-11-10  0.620185       3  0.210587
4   2021-11-11  0.299857       4  0.211669

内容的提问来源于stack exchange，提问作者navee pp