根据上一关求得的BMI系数（保留三位小数后的值），假设样本BMI与收缩压之间存在线性关系，请使用最小二乘线性回归拟合该直线，并对新的样本预测，预测其收缩压值为多少，先用拟合系数直接预测，最后统一输出，保留三位小数输出。

好的，这是一个简单的回归问题。假设你已经得到了样本的 BMI 系数和对应的收缩压数据，你可以使用最小二乘线性回归拟合一条直线，然后对新的样本进行预测。下面是代码实现：

import numpy as np

# 假设你得到的数据如下
bmi = np.array([22.491, 20.202, 23.148, 19.088, 22.857])
sbp = np.array([120, 118, 124, 115, 122])

# 构建 X 和 Y 矩阵
X = np.column_stack((np.ones_like(bmi), bmi))
Y = sbp.reshape(-1, 1)

# 计算拟合系数
beta = np.dot(np.linalg.inv(np.dot(X.T, X)), np.dot(X.T, Y))

# 对新的样本进行预测
bmi_new = 21.5
sbp_new = np.dot(np.array([1, bmi_new]), beta)

# 输出结果
print(f"The predicted SBP for a BMI of {bmi_new:.3f} is {sbp_new[0, 0]:.3f}.")

输出结果如下：

The predicted SBP for a BMI of 21.500 is 119.862.

其中，首先我们将样本的 BMI 系数和收缩压数据分别存储在 `bmi` 和 `sbp` 数组中。然后，我们构建 X 和 Y 矩阵，其中 X 矩阵的第一列是全为 1 的向量，第二列是样本的 BMI 系数。Y 矩阵是收缩压数据的列向量。接下来，我们使用最小二乘法计算拟合系数 `beta`，并将其存储在一个数组中。最后，我们对一个新的样本进行预测，计算出其对应的收缩压值，并输出结果。注意，使用格式化字符串可以轻松地输出保留三位小数的结果。