如何基于Excel历史数据在Python中预测指定参数的算法执行时间

两种实现路径都可行，优先推荐直接在Python内完成全流程，不需要依赖Excel做中间计算，步骤更少、维护更简单，完全匹配你要的轻量、预测效果够用的需求。

你的需求是非常典型的多元回归预测场景：3个输入参数x、y、z，1个输出值算法执行时长，不需要复杂的高精度模型，最基础的回归算法就足够支撑「给用户预估等待时间」的场景，学习成本极低。
你可以按以下方向入门：

• 数据读取：你已经掌握openpyxl的用法，直接用它读取Excel里存储的历史测试数据即可，要是想简化表格读取的代码，也可以学下pandas库的read_excel方法，读结构化表格效率更高。
• 模型训练：直接用scikit-learn库，入门首选LinearRegression（多元线性回归），把历史数据的x/y/z作为特征、实际执行时长作为标签喂进去拟合即可，不需要掌握复杂的算法原理，会调用基础接口就能完成训练。如果后续发现线性回归对耗时的拟合效果不符合预期，换同库的DecisionTreeRegressor（决策树回归）就行，调用逻辑和线性回归几乎一致，对非线性的耗时关系适配更好，同样不需要复杂调参。
• 预测调用：模型训练完成后，正式执行算法前，把当前给定的x/y/z参数传入训练好的模型，就能直接输出预估的执行时长，全流程都在Python环境内闭环。

如果不想额外学习Python的机器学习库，也可以走这个路径：

• 先在Excel内启用自带的「数据分析」加载项，用内置的回归工具对已有的测试数据做分析，得到x/y/z和执行时长的换算公式/回归系数。
• 后续使用时，你可以选择直接在Excel单元格内写好计算逻辑，传入新的x/y/z值算出预测结果，再用openpyxl读取对应单元格的结果；也可以直接把Excel算出来的回归系数写到Python代码里，手动写个简单的四则运算公式计算预估值，连后续读取Excel的步骤都能省掉。

提示：你的场景只需要粗略预估等待时长，不需要追求极高精度，不用去碰神经网络、复杂集成学习类的方案，最基础的回归模型完全够用，从零开始学习到写完可用的代码总耗时不会超过1小时。

内容的提问来源于stack exchange，提问作者Andrew.M