origin相关性分析 直线
时间: 2025-05-14 07:37:33 浏览: 20
### 如何在Origin中进行直线相关性分析或绘图
#### 数据准备
在进行直线相关性分析之前,需准备好两组数据(例如`X`和`Y`),这两组数据可以通过实验或其他方式获得。如果数据存储在Excel文件中,则可将其复制粘贴至Origin的工作表中[^3]。
#### 创建散点图
1. 将数据导入到Origin工作表后,在菜单栏选择 **Plot -> Symbol -> Scatter** 来创建基本的散点图。
2. 双击图表中的任意位置进入 **Plot Details** 对话框,调整散点的颜色、大小和其他样式属性以满足需求。
#### 添加趋势线
为了显示两个变量之间的线性关系,可以在散点图基础上添加一条最佳拟合直线:
- 在图形窗口点击工具栏上的 **Linear Fit** 按钮(快捷键 Ctrl+Y)。这会弹出一个对话框用于设置拟合选项。
- 勾选 “Fix Intercept at Zero” 如果需要强制通过原点[^1]。
- 完成配置后单击 OK,即可看到自动绘制的趋势线及其方程形式展示于图像之上。
#### 自定义坐标轴与网格线
对于更专业的呈现效果,还可以进一步美化图表:
- 鼠标右键点击横纵坐标轴标签或者刻度区域打开属性编辑器;
- 设置次要刻度间隔并启用辅助网格线条以便观察具体数值对应关系;
- 显示顶部及右侧附加坐标轴作为补充说明之用。
#### 特殊处理 - Y=X对角线
有时研究者希望比较预测值(y_pre)同真实观测值得一致性程度时需要用到 y=x 这样的参照基线:
- 转向 Layer Contents 窗口新增一列名为 Line 的系列项;
- 输入固定斜率为1且截距也为0的数据点构成该条理想状态下的完全匹配路径.
以上就是在 Origin 中执行简单直线回归分析以及相应可视化的全过程概述。
```python
import numpy as np
from matplotlib import pyplot as plt
# 示例代码模拟生成一些随机数代表实际测量结果和模型预测结果
np.random.seed(0)
x = np.linspace(-5, 5, num=100)
noise = np.random.normal(size=len(x))
y_true = 2 * x + noise # 实际值加上噪声干扰成分
y_pred = 2 * x # 不含误差的理想预测情形
plt.scatter(x, y_true, label='True Values')
plt.plot(x, y_pred, color="red", linewidth=2, linestyle="--",label='Predicted Line (y=mx)')
plt.axline((0, 0), slope=1, color="green", dashes=(5, 2), lw=1.5,label='Reference line (y=x)')
plt.legend()
plt.show()
```
此Python脚本片段仅作演示目的,并不适用于直接运行于Origin环境中。
阅读全文
相关推荐


















