家里每个月水电费总是忽高忽低，想搞清楚到底和什么有关？其实用几行Python代码就能做个简单分析。比如你怀疑用电量和气温有关，或者用水量跟家庭人数挂钩，这时候就可以试试回归分析。
什么是回归分析
简单说，回归分析就是找两个或多个变量之间的关系。比如气温每升高1度，空调用电会不会多5度？通过历史数据，我们可以让计算机算出这种规律，帮助我们预估未来的开销。
准备环境和数据
先安装必要的工具包，在命令行输入：
pip install numpy pandas matplotlib scikit-learn假设你记录了过去6个月的平均气温和电费账单，数据长这样：
import pandas as pd
data = {
'temperature': [20, 25, 30, 32, 28, 24],
'electric_bill': [120, 140, 180, 200, 170, 150]
}
df = pd.DataFrame(data)
print(df)做一次简单的线性回归
接下来让程序找出气温和电费之间的关系：
from sklearn.linear_model import LinearRegression
import numpy as np
# 准备数据
X = df[['temperature']] # 特征
y = df['electric_bill'] # 目标值
# 建模
model = LinearRegression()
model.fit(X, y)
# 输出结果
print(f"每升高1度，电费增加：{model.coef_[0]:.2f} 元")
print(f"基础电费（低温时）：{model.intercept_:.2f} 元")运行后你会看到类似“每升高1度，电费增加5.82元”的提示。这意味着夏天开空调的成本可以提前估算，对制定家庭预算有实际帮助。
做个预测试试
如果下个月预报平均气温是35度，电费大概多少？加一行代码就知道：
predicted_bill = model.predict([[35]])
print(f"预计电费：{predicted_bill[0]:.2f} 元")这个方法也能用来分析用水量、燃气费甚至孩子的零花钱支出趋势。只要手头有两组相关数据，都可以试试看。
注意数据质量
别忘了，垃圾进，垃圾出。如果数据记错了或者样本太少，结果可能误导决策。比如只拿两个月的数据来算全年趋势，显然不靠谱。建议至少积累半年以上的数据，效果更稳定。
技术不是专家专属，普通人也能用它管理好日常生活。下次缴费前，不妨写段小代码，给自己提个醒。