python画散点图并找到线性回归

要绘制散点图并找到线性回归，可以使用Python中的matplotlib库和scikit-learn库。

首先，安装这两个库：

pip install matplotlib
pip install scikit-learn

然后，导入所需的库：

import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

接下来，创建一些随机数据并绘制散点图：

import numpy as np

# 创建随机数据
x = np.array([1, 2, 3, 4, 5])
y = np.array([2, 4, 5, 4, 5])

# 绘制散点图
plt.scatter(x, y)
plt.show()

这将显示一个散点图，其中x轴是输入数据，y轴是输出数据。

接下来，使用sklearn库中的LinearRegression模型来拟合数据并绘制线性回归线：

# 使用线性回归模型拟合数据
model = LinearRegression().fit(x.reshape(-1, 1), y)

# 绘制散点图和线性回归线
plt.scatter(x, y)
plt.plot(x, model.predict(x.reshape(-1, 1)), color='red')
plt.show()

这将显示一个带有线性回归线的散点图，该线表示x和y之间的线性关系。

相关问题

python画散点图非线性拟合

### 使用 Python Matplotlib 和 Seaborn 库绘制散点图并进行非线性拟合

#### 绘制散点图
为了展示数据之间的关系，可以使用 `matplotlib` 或者更高级别的接口 `seaborn` 来快速生成高质量的统计图形。对于简单的散点图来说：

import seaborn as sns
import matplotlib.pyplot as plt

sns.scatterplot(x='x_column', y='y_column', data=dataframe)
plt.show()

此代码片段利用了 `seaborn` 中的 `scatterplot()` 方法来创建基于给定列名的数据集上的散点图[^2]。

#### 非线性模型拟合
当涉及到非线性的趋势时，则需要引入额外的方法来进行曲线拟合。一种常见的做法是在 `numpy.polyfit()` 上应用多项式回归或其他形式的平滑技术如样条插值等。这里给出一个例子说明如何通过 Scikit-Learn 实现二次项（抛物线型）拟合：

from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression
import numpy as np

degree = 2  # 定义多项式的阶数
poly_features = PolynomialFeatures(degree=degree, include_bias=False)

X_poly = poly_features.fit_transform(dataframe[['x_column']])
lin_reg = LinearRegression().fit(X_poly, dataframe['y_column'])

# 创建用于预测的新输入向量
new_x_values = np.linspace(min(dataframe['x_column']), max(dataframe['x_column']), num=100).reshape(-1, 1)
predicted_y = lin_reg.predict(poly_features.transform(new_x_values))

这段脚本首先定义了一个二阶多项式特征转换器，并将其应用于原始 X 数据；接着训练了一个线性回归模型以适应这些新特性表示下的目标变量 Y 值。最后一步则是构建一系列新的测试点，在此基础上做出预测以便后续绘图显示拟合效果[^4]。

#### 结合绘图与拟合结果
一旦完成了上述两部分的工作之后，就可以很容易地把它们结合起来形成一张完整的图像:

fig, ax = plt.subplots()

ax.scatter(dataframe['x_column'], dataframe['y_column'])  # 散点图
ax.plot(new_x_values, predicted_y, color="red", label=f"{degree} degree polynomial")  # 拟合曲线
ax.legend(loc='best')
plt.xlabel('Independent Variable')
plt.ylabel('Dependent Variable')

plt.show()

该段程序先初始化一个新的子图对象 fig 及其关联坐标轴实例 ax ，随后分别调用了 scatter() 和 plot() 方法依次渲染出实际观测到的数据点以及计算所得的最佳匹配路径。此外还设置了标签和其他样式选项使得最终呈现更加清晰易懂[^1]。

python散点图线性回归

要在Python中制作散点图和进行线性回归，你可以使用matplotlib和sklearn库。以下是一种实现方法：

首先，导入所需的库：
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

然后，准备数据并绘制散点图：
x = np.array([2, 5, 8, 8, 13, 15, 17, 19, 21, 24])
y = np.array([12, 31, 45, 52, 79, 85, 115, 119, 135, 145])
plt.scatter(x, y)
plt.xlabel("battery")
plt.ylabel("KM")
plt.title("散点图")
plt.show()

接下来，建立线性回归模型并进行拟合：
regressor = LinearRegression()
regressor.fit(np.reshape(x, (-1, 1)), np.reshape(y, (-1, 1)))

打印拟合结果(参数)：
print("斜率：", regressor.coef_)
print("截距：", regressor.intercept_)

最后，画出数据和拟合直线的图：
plt.scatter(x, y)
plt.plot(np.reshape(x, (-1, 1)), regressor.predict(np.reshape(x, (-1, 1))))
plt.xlabel("battery")
plt.ylabel("KM")
plt.title("拟合结果")
plt.show()

这样，你就可以在Python中绘制散点图和进行线性回归了。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *3* [python 编程 线性回归，散点图，拟合结果](https://blog.csdn.net/qq_42262610/article/details/124290573)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
- *2* [Python机器学习——线性回归案例（一）](https://blog.csdn.net/lucky_shi/article/details/105186572)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]