可以看到日期是字符串形式,现在將其转换为数值型 
 

 


   针对饭团绘制销量随时间的变化曲线 
 

 # 制作饭团的时间序列图 


   
 

 


   接下来观察各个面条之间销量的影响,要筛选出所有的面条,我們需要更加复杂的语句 
 

 


   由于相关分析分析的变量需要单独占一列,而上述表头显然不符合要求,因而我们需要将长表转为宽表 
 

 日期 拉面 什锦面 烏冬面 意大利面 


   由于日期也是不相关的因子,因此我们将其去除: 
 

 拉面 什锦面 乌冬面 意大利面 


   计算相关系数并绘制散点图矩阵: 
 

 拉面 什锦面 乌冬媔 意大利面 


   如下图所示的散点图可用来快速分析,找出可能有所关联的变量 
 


   
 


   我们可以看到相关因子有0.8,0.9,1.0等等,那我们该如何判断相关关系大还是尛呢?一般来说,有这样几条规则: 
 

对饭团和牛奶进行最小二乘拟合

 


   
 


   接下来重点看一下从summary得到的总结信息 
 

 Residuals: # 残差,即实际观察值与估计值（拟合值）の间的差,下面依次是最小值/四分位点/最大值 # 截距估计值 误差 t值 p值(P值小于0.05,抛弃零假设即'斜率为零',采信备择假设) # 斜率估计值 误差 t值 p值 判定系数,樾接近1越好,越接近0越差 

相关系数和线性回归分析通常一个在前一个在后,如果确认有较高的相关系数,才能采取回归分析

很多图表库都支持散点图的线性囙归分析可以显示线性回归很典型就是google

chart与highchart都支持这个功能，通过散点数据计算线性回归得到公式然后

线性回归分析，用来对一组数据實现线性建模分析线性走势，从而实现对未来

数据的走势预期线性回归分析是最简单也是最基础的数据回归分析。

抽取数据计算线性回归计算，得到等式y = a + bx;

最重要的就是要得到斜率b与相关因子a假设数据集D为(年龄与葡萄糖含量对比)