Python 线性回归预测：21 个数据点预测后 3 个，重复 10 次

以下是一个使用 Python 进行线性回归预测的示例代码，可以根据给定的 21 个数据点进行预测后 3 个数据点，并重复 10 次数据：

import numpy as np
from sklearn.linear_model import LinearRegression

# 定义输入数据
data = np.array([[2,2,2,2,2 ,np.nan,np.nan,np.nan,2,2,2,2,2 ,np.nan,np.nan,np.nan,2,2,2,2,2 ,np.nan,np.nan,np.nan,2,2,2,2,2 ,np.nan,np.nan,np.nan]])

# 将数据重复 10 次
data = np.repeat(data, 10, axis=0)

# 将 NAN 替换为 0
data[np.isnan(data)] = 0

# 提取已知数据点和需要预测的数据点
train_data = data[:, :-3]
test_data = data[:, -3:]

# 定义模型并进行拟合
model = LinearRegression()
model.fit(train_data, test_data)

# 进行预测
predicted_data = model.predict(train_data)

# 输出预测结果
print(predicted_data)

在这个示例代码中，我们首先将输入数据重复了 10 次，然后将 NAN 替换为 0，这是因为线性回归模型不能处理缺失数据。接下来，我们将数据分为已知数据点和需要预测的数据点，并使用已知数据点拟合线性回归模型。最后，我们使用拟合好的模型对输入数据进行预测，并输出预测结果。