iroln

from pandas import read_csv

out = read_csv(your_file, sep=';', skiprows=[0], header=None)

Обращаться к полученным данным через индексацию:
item_str = out[i][j]

Функция умеет гораздо больше. Pandas - крутая библиотека для анализа данных.

Используйте нормальный редактор, который:

- Заменяет табуляцию пробелами
- Умеет конвертировать "табуляция" <> "пробелы"

Например, Notepad++ или SublimeText.

А что не получилось с методом наименьших квадратов?

Вот простейшее решение линейной регрессии:

def linregress(x, y, w=None, b=None):
    x = np.array(x, dtype=np.float64)
    y = np.array(y, dtype=np.float64)

    if w is None:
        w = np.ones(x.size, dtype=np.float64)

    wxy = np.sum(w*y*x)
    wx = np.sum(w*x)
    wy = np.sum(w*y)
    wx2 = np.sum(w*x*x)
    sw = np.sum(w)

    den = wx2*sw - wx*wx

    if den == 0:
        den = np.finfo(np.float64).eps

    if b is None:
        k = (sw*wxy - wx*wy) / den
        b = (wy - k*wx) / sw
    else:
        k = (wxy - wx*b) / wx2

    return k, b

На вход поступают векторы данных x и y (можно ещё вектор весов задать), на выходе коэффициенты k, b для модели y = kx + b.

"Волшебные" функции в numpy: polyfit/polyval.

Функции вычисления ошибок, типа sse/mse/rmse/rsquare написать легко по формулам, которые можно найти в интернете или в книжках по статистическому и регрессионному анализу.

В MATLAB есть пакет для символьных вычислений, задачу можно решить в нём. Либо использовать численные методы для вычисления интеграла, доступные в MATLAB, например, функцию integral (см. примеры использования)
Подробнее смотрите справку по функциям интегрирования/дифференцирования).

Sphinx не подойдёт? С помощью этой системы пишется документация для множества Open Source проектов, например, для Python. Сам использую давно в реальных проектах.