【Python AI实战】老板让我预测下个月的日活？我用30行代码搞定了（附线性回归源码）-开发者社区

作者：飞哥（一位喜欢讲故事的全栈开发者，擅长把复杂的代码翻译成“人话”）
标签：Python, 机器学习, 线性回归, scikit-learn, AI入门
预计阅读时间：10分钟

大家好，我是飞哥。

上周五开周会，产品经理兴冲冲地展示了最近的 App 数据：“飞哥，你看咱们最近的日活（DAU）涨势喜人啊！按照这个趋势，下个月（未来10天）咱们的 DAU 能达到多少？”

要是放在以前，我肯定会打开 Excel，把数据填进去，拉一个趋势线，然后眯着眼睛估一个数：“大概……两千？”
但现在，作为一名AI 转型开发者，这种“掐指一算”的事儿怎么能忍？

我们要用科学的方法！要用数据说话！
今天飞哥就带大家用 Python 的scikit-learn库，手把手实现一个最基础的机器学习模型——线性回归 (Linear Regression)，来科学预测未来的用户增长。

1. 核心方法：三步搞定预测

很多兄弟一听到“机器学习”、“回归分析”就觉得要补高数。其实，在工程应用层面，这就跟调用一个 API 接口一样简单。

第一步：锚定已知 ⚓️

你肯定做过这种数学题：已知两个点(1, 10)和(2, 20)，求这条直线的方程y = ax + b。
AI 做线性回归，就是在做这道题。只不过它面对的不是两个点，而是成百上千个杂乱无章的点，它要从中找到一条“误差最小”的直线。

第二步：生动类比 📏

把数据点想象成散落在地上的硬币。
线性回归模型，就是一根笔直的木棍。
训练模型的过程，就是把这根木棍往硬币堆里扔，然后不断调整木棍的角度和位置，直到它离所有硬币的平均距离最近。
一旦木棍的位置固定了，我们顺着木棍往后延伸，就能知道未来的硬币大概会在哪里。

第三步：提炼骨架 🦴

代码逻辑就三步：

Fit (训练)：把历史数据（过去30天的 DAU）喂给模型 ——“给我找规律！”
Predict (预测)：输入未来的时间（未来10天） ——“给我算结果！”
Plot (画图)：把结果画出来 ——“没图没真相！”

2. 实战：DAU 预测神器

先安装必要的库（如果你还没装的话）：

pipinstallnumpy pandas scikit-learn matplotlib

完整代码：DAU_Predictor.py

新建一个 Python 文件，直接复制下面的代码。飞哥已经把每一行都加了详细的“人话”注释。

importnumpyasnpimportpandasaspdfromsklearn.linear_modelimportLinearRegressionimportmatplotlib.pyplotaspltdefmain():# ============================# 1. 准备数据 (Data Preparation)# ============================print("1. 正在生成历史数据...")# 模拟过去 30 天的数据# X: 第几天 (1 到 30)# 飞哥敲黑板：reshape(-1, 1) 是新手最容易报错的地方！# sklearn 要求输入必须是“列向量”（二维矩阵），形状像 [[1], [2], [3]...]# 而不是普通的一维数组 [1, 2, 3...]days=np.arange(1,31).reshape(-1,1)# y: DAU (Daily Active Users)# 假设初始 DAU 是 1000，每天大概增长 50 个用户# np.random.randint 加一点随机波动（噪声），模拟真实世界忽高忽低的数据noise=np.random.randint(-100,100,size=(30,))dau=1000+50*days.flatten()+noise# 打印前5条看看df=pd.DataFrame({'Day':days.flatten(),'DAU':dau})print(df.head())# ============================# 2. 训练模型 (Training)# ============================print("\n2. 正在训练线性回归模型...")# 创建模型对象model=LinearRegression()# 关键一步：fit() 就是“训练”# 就像教徒弟一样，把“时间(days)”和“日活(dau)”喂给它，让它自己找规律model.fit(days,dau)# 获取模型学到的参数# coef_ (斜率): 代表每天增长多少人# intercept_ (截距): 代表起步基数是多少人w=model.coef_[0]b=model.intercept_print(f"✅ 模型训练完毕！")print(f" -> 增长趋势 (斜率): 每天约新增{w:.2f}个用户")print(f" -> 基础基数 (截距): 起步约{b:.2f}个用户")# ============================# 3. 预测未来 (Prediction)# ============================print("\n3. 正在预测未来 10 天的 DAU...")# 生成未来 10 天的时间点 (第 31 天 到 第 40 天)future_days=np.arange(31,41).reshape(-1,1)# 关键一步：predict() 就是“预测”# 用刚才学到的规律，算出未来的 DAUfuture_dau=model.predict(future_days)# 打印预测结果forday,pred_dauinzip(future_days.flatten(),future_dau):print(f" Day{day}: 预测 DAU ={int(pred_dau)}")# ============================# 4. 可视化 (Visualization)# ============================print("\n4. 正在绘制图表...")# 设置中文字体，防止乱码 (Mac 用户专用配置，Windows用户可用 'SimHei')plt.rcParams['font.sans-serif']=['Arial Unicode MS']plt.rcParams['axes.unicode_minus']=Falseplt.figure(figsize=(10,6))# 画历史数据 (散点图)：真实的业务数据通常是波动的plt.scatter(days,dau,color='blue',label='历史真实数据 (Historical)')# 画拟合直线 (虚线)：AI 眼中的“完美趋势”plt.plot(days,model.predict(days),color='green',linestyle='--',label='AI 拟合趋势 (Trend)')# 画预测数据 (红叉)：未来的预测值plt.scatter(future_days,future_dau,color='red',marker='x',s=100,label='未来预测 (Prediction)')plt.title(f"App DAU 增长预测 (平均增长: +{w:.1f}人/天)")plt.xlabel("天数 (Day)")plt.ylabel("日活 (DAU)")plt.legend()# 显示图例plt.grid(True,alpha=0.3)# 显示网格# 保存图片plt.savefig("dau_prediction.png")print("✅ 图表已保存为 dau_prediction.png")plt.show()if__name__=="__main__":main()