regresja.py

import matplotlib.pyplot as plt
from scipy import stats
import numpy as np
import csv
import math

data_x = []
data_y = []

#Pobieranie danych
with open("data1.csv", newline = '') as csvdata:
    csv_reader = csv.reader(csvdata)

    for line in csv_reader:
        #print(line[1])
        data_x.append(float(line[0]))
        data_y.append(float(line[1]))

#Ustawienie tickow dla osi X
#TODO: ticki dla osi Y jak bedzie trzeba
x_ticks = np.arange(math.floor(min(data_x)),math.ceil(max(data_x))+1,1)
#print(x_ticks)
#print(max(data_x))

#Tworzenie wykresu rozproszonnego i ustawienie tickow X
plt.scatter(data_x,data_y)
plt.xticks(x_ticks)

#Workaround do normalnej regresi liniowej (tutaj uzywamy biblioteki, ktorej potencjalnie nie musimy)
slope, intercept, r, p, std_err = stats.linregress(data_x,data_y)

def myfunc(data_x):
  return slope * data_x + intercept

mymodel = list(map(myfunc, data_x))

#nalozenie regresji liniowej na wykres
plt.plot(data_x, mymodel, color='red')

#Znalezienie R pearsona

plt.show()