import pandas as pd   # 用來讀取資料的一個包. 
from sklearn.linear_model import LinearRegression  # 機器學習的包  用來做線性迴歸的-> 用咱們的資料幫我們求出一個函式
from sklearn.preprocessing import  PolynomialFeatures  # 機器學習的包 ..... 高次冪
import matplotlib.pyplot as plt  # 資料視覺化-> 用來畫圖的
import numpy as np        # 做矩陣. 


data = pd.read_csv("
 
data.csv", header=None)  # 讀取資料
data["time"] = pd.to_datetime(data[0])   # 排序處理
print(data.head())
          0         1     2          time
0  2020-1-31  2102  5019 2020-01-31
1  2020-1-25   688  1309 2020-01-25
2  2020-1-24   444  1118 2020-01-24
3  2020-1-30  1982  4812 2020-01-30
4  2020-1-26   769  3806 2020-01-26

# 索引改成時間
data.index = data["
 
time"]
data = data.sort_index()
print(data.head())
                                  0    1     2       time
time                                       
2020-01-20  2020-1-20   77    27 2020-01-20
2020-01-21  2020-1-21  149    26 2020-01-21
2020-01-22  2020-1-22  571   393 2020-01-22
2020-01-23  2020-1-23  259   680 2020-01-23
2020-01-24  2020-1-24  444  1118 2020-01-24


#
 
 計算每天的確診的總數量
totle = data[1].cumsum()  # 獲取到確診病例. 然後進行累積計算 前1, 2,3,4,5,項累加
print(totle)
time
2020-01-20       77
2020-01-21      226
2020-01-22      797
2020-01-23     1056
2020-01-24     1500
2020-01-25     2188
2020-01-26     2957
2020-01-27     4728
2020-01-28     6187
2020-01-29     7924
       。              。
       。              。
       。              。


# x軸是數字 使用時間不好使用機器學習的包
totle = totle.reset_index()[1]   #  去掉時間, 把時間轉化成數字. 方便計算, 2020-1-20
totle.index = totle.index + 1
print(totle)
1        77
2       226
3       797
4      1056
5      1500
6      2188
7      2957


plt.scatter(totle.index, totle)   # 畫散點圖. 展示一下目前確診病例數量
plt.show()

1:線性迴歸的直線：

# 一元一次線性迴歸
liner_reg = LinearRegression() # 建立線性迴歸物件

x_data = totle.index[:, np.newaxis] # 增加維度, 拿到x

y_data = totle[:, np.newaxis] # 增加維度, 拿到y

liner_reg.fit(x_data, y_data) # 資料訓練

plt.scatter(x_data, y_data) # 畫點
plt.plot(x_data, liner_reg.predict(x_data), "red") # 畫迴歸線. 預測線, liner_reg.predict(x_data) 把x_data的值扔進去. 得到迴歸線上的y值

plt.show() # 展示資料

# 斜率 截距
# k b
# y = kx + b
# liner_reg.coef_, liner_reg.intercept_

2:線性迴歸的曲線(更合理)：

poly = PolynomialFeatures(3) # 計算N冪次的公式# degree=4 ax2+bx+c ax3+bx2+cx1+dx0 升冪 1元二次方程# 1.0000e+00 0.0000e+00 0.0000e+00 0.0000e+00 0次方 1次方 2次方 3次方

x_data_poly = poly.fit_transform(x_data) # 1 0. 2 1.4 2. 8 3.

liner_reg = LinearRegression() # 線性迴歸物件
liner_reg.fit(x_data_poly, y_data) # 資料訓練
# x0, x1, x2, x3, y???
# dx0+cx1+bx2+ax3 = y

plt.plot(x_data, liner_reg.predict(x_data_poly), "r") # 畫圖

# 預測值
plt.scatter(np.arange(1,50), liner_reg.predict([[i**0, i**1, i**2, i**3] for i in np.arange(1,50)])) # 幾次冪就填幾個i**n

plt.show()