#利用局部加权线性回归函数，对数据集xArr中的每一个样本点进行预测，并绘制预测折线图与原数据散点图的叠加图 #step1：绘制原数据散点图 xArr,yArr = loadDataSet('ex0.txt') plt.scatter(array(xArr)[:,1],array(yArr)) #step2： 绘制拟合线（局部加权线性回归）

以下是代码实现：

import matplotlib.pyplot as plt
from numpy import *

# 加载数据集
def loadDataSet(fileName):
    numFeat = len(open(fileName).readline().split('\t')) - 1
    dataMat = []; labelMat = []
    fr = open(fileName)
    for line in fr.readlines():
        lineArr =[]
        curLine = line.strip().split('\t')
        for i in range(numFeat):
            lineArr.append(float(curLine[i]))
        dataMat.append(lineArr)
        labelMat.append(float(curLine[-1]))
    return dataMat,labelMat

# 局部加权线性回归函数
def lwlr(testPoint, xArr, yArr, k=1.0):
    xMat = mat(xArr); yMat = mat(yArr).T
    m = shape(xMat)[0]
    weights = mat(eye((m)))
    for j in range(m):
        diffMat = testPoint - xMat[j,:]
        weights[j,j] = exp(diffMat * diffMat.T/(-2.0*k**2))
    xTx = xMat.T * (weights * xMat)
    if linalg.det(xTx) == 0.0:
        print("This matrix is singular, cannot do inverse")
        return
    ws = xTx.I * (xMat.T * (weights * yMat))
    return testPoint * ws

# 预测所有样本点
def lwlrTest(xArr, yArr, k=1.0):
    yHat = zeros(shape(yArr))
    for i in range(shape(xArr)[0]):
        yHat[i] = lwlr(xArr[i], xArr, yArr, k)
    return yHat

# 绘制原数据散点图
xArr, yArr = loadDataSet('ex0.txt')
plt.scatter(array(xArr)[:,1], array(yArr), s=20, c='blue', alpha=.5)

# 绘制拟合线（局部加权线性回归）
yHat = lwlrTest(xArr, yArr, k=0.01)
srtInd = array(xArr)[:,1].argsort(0)
xSort = array(xArr)[srtInd]
plt.plot(xSort[:,1], yHat[srtInd], c='red')

# 绘制预测折线图与原数据散点图的叠加图
plt.show()

其中，`lwlr()` 函数是局部加权线性回归函数，用于对单个样本点进行预测；`lwlrTest()` 函数用于对数据集中的所有样本点进行预测；`loadDataSet()` 函数用于加载数据集；`plt.scatter()` 函数用于绘制原数据散点图；`plt.plot()` 函数用于绘制拟合线；最后调用 `plt.show()` 函数将预测折线图与原数据散点图的叠加图展示出来。