（1）在urls.py中新增以下url，

Paste_Image.png

（2）在data_mining.html中增加链接到回归分析页面（data_ols），

Paste_Image.png

Paste_Image.png

（3）页面布局如下，

{% extends "base.html" %}
{% load staticfiles %}
{% block main %}
     <div class="div_center" style="margin:50px">
    <h2>多元線性回歸</h2>
         <div id="select">
         </div>
     <button id='show_var'>顯示變量</button>
     <button id='regress'>回歸計算</button>
             </div>
{% endblock %}

布局效果：

Paste_Image.png

（4）要实现点击效果，点击变量，出现变量选择框，选择变量后点击，便进行ols回归运算，显示回归结果：

Paste_Image.png

因此编写如下代码：

 <script>
   var i=0;
   $('#show_var').on('click',function(){
        if(i==0){
            $.get("/data_mining/ols/var",function(data){
                 $('#select').append("<select id='show_y'> </select>");
                 $('#select').append("<select id='show_x' multiple='multiple'> </select>");
                 $.each(data,function(i,j){
                     $('#show_y').append("<option>"+j+"</option>");
                     $('#show_x').append("<option>"+j+"</option>");
                         }
                 )
        });
         };
      i=i+1;
    });
#点击按钮后添加选择因变量、自变量的要素。
$('#regress').on('click',function(){
             var y=$("#show_y  option:selected").text();
             var x=new Array();
             $("#show_x  option:selected").each(function(){
                                     x.push($(this).text());
                                      xx=x.join(',');
                                 });
             #获取选择的自变量、因变量的名称
             $.get("/data_mining/ols/res",{'x':xx,'y':y},function(data){
                           str0=data.y+"=";
                           for(i=0;i<data.coef.length;i++){
                               if(i!=(data.coef.length-1)){
                                    str0=str0+data.coef[i]+"*"+data.x[i]+"+"
                               }else{
                                   str0=str0+data.coef[i]+"*"+data.x[i]
                               }

                           }
                           str0=str0+"+"+data.intercept_;
                           alert(str0);
                         }
                 )
        });   
#获得回归方程并显示
    </script>

（5）在views中，编写视图函数。
首先导入回归模块，from sklearn.linear_model import LinearRegression。

然后，编写模板显示函数，

def ols_show(request):
    return render(request, "data_mining/ols.html")

编写显示变量的函数，

  base_dir = 'media/data_mining/'
    l = os.listdir(base_dir)
    l.sort(key=lambda fn: os.path.getmtime(base_dir + fn) if not os.path.isdir(base_dir + fn) else 0)
    name = l[-1]
    inputfile = base_dir + name
    data = pd.read_csv(inputfile, index_col=0, header=0,encoding='gb2312')
    columns=list(data.columns)
    return JsonResponse(columns,safe=False)

编写计算回归方程的函数，

@csrf_exempt
def ols_res(request):
    base_dir = 'media/data_mining/'
    l = os.listdir(base_dir)
    l.sort(key=lambda fn: os.path.getmtime(base_dir + fn) if not os.path.isdir(base_dir + fn) else 0)
    name = l[-1]
    inputfile = base_dir + name
    data = pd.read_csv(inputfile, index_col=0, header=0,encoding='gbk')
    data.dropna()
    x=request.GET.get('x','')
    y = request.GET.get('y', '')
    x=x.split(",")
    print(x)
    print(y)
    x_in=data[x]
    y_in=data[y]
    print(x_in)
    linreg = LinearRegression()
    linreg.fit(x_in, y_in)
    obj={}
    obj['y']=y
    obj['x']=x
    obj['intercept_'] = linreg.intercept_.tolist()
    obj['coef'] = linreg.coef_.tolist()
    return HttpResponse(json.dumps(obj),content_type="application/json")

（6）后期对前端界面进行美化。