### 使用 Python 绘制散点图、预测区间、拟合方程及相关系数 以下是通过 `matplotlib` 和 `numpy` 实现绘制散点图的方法，其中包括线性拟合方程、相关系数以及预测区间的计算。 #### 数据准备与导入库 为了完成此任务，需要引入必要的库并定义数据集。这里假设输入的数据为两个数组 `x` 和 `y`，分别表示自变量和因变量[^1]。 ```python import numpy as np import matplotlib.pyplot as plt from scipy.stats import linregress from scipy import stats # 假设这是我们的原始数据 np.random.seed(0) x = np.linspace(0, 10, 50) # 自变量 y = 2 * x + np.random.normal(size=x.size) # 因变量加噪声 ``` #### 计算线性回归参数 利用 `linregress` 函数可以快速获得线性拟合的相关参数，包括斜率（slope）、截距（intercept）、相关系数（rvalue）等[^2]。 ```python # 执行线性回归分析 slope, intercept, r_value, p_value, std_err = linregress(x, y) # 输出拟合方程 equation = f"y = {slope:.2f}x + {intercept:.2f}" print(f"Linear Fit Equation: {equation}") ``` #### 预测区间计算 预测区间基于正态分布理论构建，需考虑残差的标准误及其置信水平。此处采用95%的置信度作为默认设置[^3]。 ```python def calculate_prediction_interval(x_new, slope, intercept, residuals): n = len(residuals) mean_x = np.mean(x) se_residual = np.std(residuals, ddof=1) t_critical = stats.t.ppf(0.975, df=n-2) # 双侧t检验临界值 se_fit = se_residual * np.sqrt( 1/n + (x_new - mean_x)**2 / np.sum((x - mean_x)**2)) pi_width = t_critical * se_residual * np.sqrt(1 + 1/n + ((x_new - mean_x)**2)/np.sum((x-mean_x)**2)) lower_pi = slope*x_new + intercept - pi_width upper_pi = slope*x_new + intercept + pi_width return lower_pi, upper_pi residuals = y - (slope * x + intercept) lower_pi, upper_pi = zip(*[calculate_prediction_interval(xi, slope, intercept, residuals) for xi in x]) ``` #### 图形绘制 最后一步是将以上所有信息可视化到一张图表中，包括散点图、趋势线、预测区间以及标注的关键指标。 ```python plt.figure(figsize=(8, 6)) plt.scatter(x, y, label="Data Points", color='blue', alpha=0.7) # 趋势线 plt.plot(x, slope * x + intercept, 'r-', label=f"Trendline ({equation})", linewidth=2) # 预测区间 plt.fill_between(x, lower_pi, upper_pi, color='gray', alpha=0.2, label="Prediction Interval") # 添加文本说明 correlation_coefficient = f"Correlation Coefficient: {r_value:.2f}" rmse = np.sqrt(np.mean((y - (slope * x + intercept)) ** 2)) rmse_text = f"RMSE: {rmse:.2f}" text_box = "\n".join([equation, correlation_coefficient, rmse_text]) props = dict(boxstyle='round', facecolor='white', edgecolor='black') plt.text(0.5, max(y)-1, text_box, fontsize=10, bbox=props) # 设置其他属性 plt.title("Scatter Plot with Trendline and Prediction Intervals") plt.xlabel("X-axis Label") plt.ylabel("Y-axis Label") plt.legend() plt.grid(True) plt.show() ``` --- ### 结果解释 上述代码实现了完整的功能需求，具体如下： - 散点图展示了原始数据点； - 线性拟合曲线反映了两者间的关系，并附带了具体的拟合方程； - 预测区间以灰色区域形式呈现，直观显示可能的变化范围； - 文本框汇总了关键统计量，如相关系数和均方根误差（仅作展示用途），便于解读结果。 ---