让我们假设你的CSV看起来像这样：

c1,c2
0.000000,0.968012
1.000000,2.712641
2.000000,11.958873
3.000000,10.889784
...

字符串
我生成的数据如下：

import numpy as np
from sklearn import datasets, linear_model
import matplotlib.pyplot as plt

length = 10
x = np.arange(length, dtype=float).reshape((length, 1))
y = x + (np.random.rand(length)*10).reshape((length, 1))

型
这些数据被保存到test.csv中（只是为了让您知道它来自哪里，显然您将使用自己的）。

data = pd.read_csv('test.csv', index_col=False, header=0)
x = data.c1.values
y = data.c2.values
print x # prints: [ 0.  1.  2.  3.  4.  5.  6.  7.  8.  9.]

型
您需要查看输入到.fit()中的数据的形状。
这里是x.shape = (10,)，但我们需要它是(10, 1)，参见sklearn。y也是如此。所以我们重塑：

x = x.reshape(length, 1)
y = y.reshape(length, 1)

型
现在我们创建回归对象，然后调用fit()：

regr = linear_model.LinearRegression()
regr.fit(x, y)

# plot it as in the example at http://scikit-learn.org/
plt.scatter(x, y,  color='black')
plt.plot(x, regr.predict(x), color='blue', linewidth=3)
plt.xticks(())
plt.yticks(())
plt.show()

型
参见sklearn线性回归example .

数据集

的数据

调用库

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.linear_model import LinearRegression

字符串

修改数据集

dataset = pd.read_csv('1.csv')
X = dataset[["mark1"]]
y = dataset[["mark2"]]

型

对集合拟合简单线性回归

regressor = LinearRegression()
regressor.fit(X, y)

型

预测设置结果

y_pred = regressor.predict(X)

型

设置结果可视化

plt.scatter(X, y, color = 'red')
plt.plot(X, regressor.predict(X), color = 'blue')
plt.title('mark1 vs mark2')
plt.xlabel('mark1')
plt.ylabel('mark2')
plt.show()

型

的

我发布了一个答案，正好解决了你得到的错误：
IndexError：元组索引超出范围

Scikit-learn需要2D输入。只需重塑X和Y。

替换：

X=data['c1'].values # this  has shape (XXX, ) - It's 1D
Y=data['c2'].values # this  has shape (XXX, ) - It's 1D
linear_model.LinearRegression().fit(X,Y)

字符串

与

X=data['c1'].values.reshape(-1,1) # this  has shape (XXX, 1) - it's 2D
Y=data['c2'].values.reshape(-1,1) # this  has shape (XXX, 1) - it's 2D
linear_model.LinearRegression().fit(X,Y)

型

根据结果做出预测？
为了预测，

lr = linear_model.LinearRegression().fit(X,Y)
lr.predict(X)

字符串
有什么方法可以查看回归的详细信息吗？
线性回归有coef_和intercept_属性。

lr.coef_
lr.intercept_

型
显示斜率和截距。

你真的应该看看fit方法的文档，你可以在这里查看。
关于如何可视化线性回归，请使用这里的示例。我猜你也没有经常使用ipython（现在称为jupyter），所以你绝对应该花点时间学习它。它是探索数据和机器学习的好工具。你可以从scikit线性回归中复制/粘贴示例到ipython笔记本中并运行它
对于fit方法的具体问题，通过参考文档，您可以看到为X值传入的数据格式是错误的。
根据文档，“X：numpy数组或形状[n_samples，n_features]的稀疏矩阵”
你可以用这个来修正你的代码

X = [[x] for x in data['c1'].values]

字符串