python画散点图拟合直线
时间: 2025-02-13 19:22:12 浏览: 86
好的,Python绘制散点图并添加拟合直线是一个常见的数据可视化任务。你可以通过结合`matplotlib`库用于绘图以及`numpy`或`scipy`等科学计算库来进行线性回归分析。
以下是基本步骤:
### 步骤1 - 导入必要的库
```python
import numpy as np
from scipy import stats
import matplotlib.pyplot as plt
```
这里我们导入了三个重要的包:一个是NumPy——它支持大型多维数组及矩阵运算;另一个SciPy包含许多优化、统计等功能;最后Matplotlib则负责图形渲染工作。
### 步骤2 - 准备样本数据
假设我们要处理一组简单的二维坐标系下的离散点集作为示例数据:
```python
x = [5, 7, 8, 7, 2, 17, 2, 9, 4, 11,
12, 9, 6] # 横坐标值列表
y = [99, 86, 87, 88, 100, 86, 103, 87,
94, 78, 77, 85, 86]# 纵坐标值列表
```
当然,在实际应用当中更可能是从CSV文件或其他来源获取的数据。
### 步骤3 - 执行线性回归分析获得最佳拟合曲线参数
利用Scipy中的stats模块里的linregress函数可以轻松完成这项操作:
```python
slope, intercept, r_value, p_value, std_err = stats.linregress(x,y)
line_x = np.linspace(min(x), max(x))
line_y = slope*line_x+intercept
print("斜率:", slope,"截距:", intercept)
```
`slope` 和 `intercept` 分别代表拟合出来的直线方程\( y=ax+b \) 中a(即斜率),b(即截距)。同时还可以得到一些关于模型好坏程度的信息如r-square(`r_value**2`)表示模型解释能力的好坏。
### 步骤4 - 绘制图表展示结果
现在有了原始数据点和平滑后的趋势线信息之后就可以把它们一起放到一张图上了:
```python
plt.scatter(x, y,label='原数据') # 散布图显示所有已知点位
plt.plot(line_x,line_y,'red',label="拟合直线") #红色折线代表预测所得的最佳匹配路线
plt.legend() # 显示图例说明文字位置自动调整
plt.show()
```
这样就完成了整个流程,并生成了一张包含了随机分布的小圆圈标记着各观测案例的位置连同一条贯穿其中代表着总体变化规律特征的红线的图像。
阅读全文
相关推荐


















