#!/usr/bin/env python
# coding: utf-8

# In[1]:


from datetime import datetime
print(f'Päivitetty {datetime.now().date()} / Aki Taanila')


# # Lineaarinen regressio - yksi selittävä muuttuja
# 
# Lineaarisessa regressiossa sovitetaan suora viiva kuvaamaan selittävän muuttujan ja ennustettavan muuttujan välistä yhteyttä. Yleensä käytetään suoran sovitukseen pienimmän neliösumman menetelmää, joka minimoi ennustevirheiden neliöiden summan.

# In[2]:


import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
sns.set_style('whitegrid')

# Tuon lineaarisen regressiomallin
from sklearn.linear_model import LinearRegression


# ## Datan tarkastelua
# 
# Tavoitteena ennustaa myynti mainoskulujen perusteella.

# In[3]:


df = pd.read_excel('http://taanila.fi/linreg1.xlsx')
df


# In[4]:


# Riippuvuuden tarkastelua seaborn-kirjaston jointoplot-kaavion avulla
sns.jointplot(data=df, x='Mainoskulut 1000 €', y='Myynti 1000 €', kind='reg')


# ## Mallin sovitus

# In[5]:


# Selittävä muuttuja
# Jos selittäviä muuttujia on vain yksi, niin tarvitaan dataframeksi muuntaminen (to_frame)
X = df['Mainoskulut 1000 €'].to_frame()

# Ennustettava muuttuja
y = df['Myynti 1000 €'] 


# In[6]:


malli = LinearRegression().fit(X,y)


# ## Mallin tarkastelua

# In[7]:


malli.coef_ # regressiosuoran kulmakerroin


# Mallin mukaan yhden yksikön (1000 €) kasvu mainoskuluissa lisää myyntiä noin 52,6 yksiköllä (1000 €).

# In[8]:


malli.intercept_ # regressiosuoran vakiotermi


# Jos mainoskuluja ei ole lainkaan, niin mallin mukainen myynti on noin 46,5 yksikköä (1000 €). Tähän tietoon täytyy suhtautua varoen, koska havainnoissa ei ole mukana nollan lähellä olevia mainoskuluja. Näin ollen ei voida tietää päteekö suoraviivainen riippuvuus mainoskulujen 0 lähellä.

# In[9]:


malli.score(X,y) # selityskerroin


# Myynnin vaihtelusta noin 76,6 % voidaan selittää mainoskulujen vaihtelulla.

# ## Mallin käyttö ennustamiseen

# In[10]:


# Myyntiennusteet, jos mainoskulut tuhansina euroina ovat 0.7, 0.8 tai 0.9
df_new = pd.DataFrame([0.7, 0.8, 0.9], columns = ['Mainoskulut 1000 €']) 
df_new['Myyntiennuste 1000 €'] = malli.predict(df_new) 
df_new


# <h2>Lisätietoa</h2>
# 
# Data-analytiikka Pythonilla: https://tilastoapu.wordpress.com/python/