数据集data.xlsx中包含238行的深度、岩性描述、水饱和度、油饱和度、岩心和毛管等相关参数信息，挑取有较好线性相关性的信息用以拟合水平渗透率。
图1 数据集信息
任务要求：
1. 将所给数据集进行预处理，优选特征后切分成训练集和测试集（建议按4:1切分）；
2. 使用Python或自己熟知的语言对训练数据建模（模型不限)；
3. 使用建立的模型对测试集的渗透率进行预测，将预测渗透率值作为最后一列合并到测试集数据表中，并计算平均误差。
下面结合任务要求展开本次回归分析实验的介绍。
2 数据预处理- 1 剔除无效数据
首先加载数据集，将'岩性描述'一列剔除(汉字无法被拟合)，'油饱和度,%','水饱和度,%'残缺数据过多，故剔除；'孔隙度,%'和'水平渗透率,10-3μm2'中含有空余数据，将空数据所在行整体剔除，实现代码如下：
data = pd.read_excel(r'G:\Loong_2021\bd_fhw\data.xlsx') #加载数据集
data = data.dropna(subset=['孔隙度,%', '水平渗透率,10-3μm2']) #剔除无效行数据
data = data.drop(['岩性描述','水饱和度,%','油饱和度,%']) #剔除无效列数据2 数据分析及选取
利用seaborn包进行数据的可视化呈现。
seaborn是基于Matplotlib的Python数据可视化库。它提供了一个高级界面，用于绘制引人入胜且内容丰富的统计图形，同时对Matplotlib进行了更高级的API封装，从而使作图更加容易；
seaborn是针对统计绘图的，能满足数据分析90%的绘图需求，需要复杂的自定义图形还需要使用到Matplotlib。
seaborn中的相关性热点图，初步发现数据中包含的线性关系。corr(x,y)是相关系数，用来刻画二维随机变量两个分量间相互关联程度。
corr(x,y) 在-1到1之间，也就是说相关系数介于-1到1之间，并可以对它作一下几个说明明：corr(x,y) =0则称X,Y不相关，不相关是指X,Y没有线性关系，但也有可能有其他关系，比如平方关系，立方关系等 。corr(x,y) =1，则称X与Y完全正相关，corr(x,y) =-1，则称X,Y完全负相关。
下面展示相关性热点图实现代码及展示效果解读：
import seaborn as sns
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False #汉字编码
sns.heatmap(data.corr()) #相关性热点图,corr()判断相关性
OUTPUT:
图2 相关性热点图
上图中横纵坐标对称，颜色越淡代表相关性（正）越强，越深则代表负相关性越强。根据相关性热点图可初步选定正负相关性较好的数据，如孔隙度、总进汞量、最大进汞饱和度、残留汞饱和度、最大饱和度增量、峰态和最大增量对应直径具有较好的正相关性，而退汞效率具有较好的负相关性。故首先选择如上数据进行训练拟合,并划分训练集和测试集。
X
OUTPUT:
from sklearn.model_selection import train_test_split
#sklearn中包含数据集切分的函数train_test_split,直接调取使用
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2) #random_state
#测试集参数设0.2，及1：4切分3 线性回归模型
sklearn库中有很多线性回归的模型，本次作业选取其中的LinearRegression, Lasso以及最小二乘法进行数据测试。
- LinearRegression
线性回归算法模型很简单，每条数据有n个特征，每个特征对应着一个自己的权重值，与权重的乘积再加上一个偏置值，这个就是线性回归模型，公式如下(n代表特征数目，m代表样本数目)：
y=w1∗x1 w2∗x2 ... wn∗xn b
假设有m个样本，写成矩阵的形式就是：
