没问题！我为你准备了一份 **“完整、详细、保证出图”** 的 Python 回归分析代码。这份代码包含 **数据生成、回归计算、结果展示和图表绘制**，并配有清晰的注释，你只需要 **复制 → 运行** 即可。 --- ## 📊 **Python 回归分析完整代码（保证出图）** ```python # ==================== 第一部分：导入所有必需的库 ==================== import numpy as np # 用于数值计算和生成数据 import pandas as pd # 用于数据处理 import matplotlib.pyplot as plt # 核心绘图库（必须） import seaborn as sns # 让图表更美观（可选但推荐） from sklearn.linear_model import LinearRegression # 线性回归模型 from sklearn.metrics import r2_score # 评估模型 print("✅ 所有库导入成功！") # ==================== 第二部分：生成模拟数据 ==================== # 设置随机种子，确保每次运行数据一致 np.random.seed(123) # 生成 100 个样本点 n_samples = 100 # X 特征：0 到 10 之间的随机数 X = np.random.rand(n_samples) * 10 # Y 目标：Y = 3.2 * X + 5.8 + 噪声（真实线性关系） true_slope = 3.2 true_intercept = 5.8 noise = np.random.randn(n_samples) * 2.5 # 随机噪声 Y = true_slope * X + true_intercept + noise # 将数据放入 DataFrame（表格形式，方便查看） df = pd.DataFrame({'X': X, 'Y': Y}) print("\n📊 前5行数据预览：") print(df.head()) # ==================== 第三部分：执行线性回归 ==================== # 准备数据格式：sklearn 要求 X 是二维数组 X_reshaped = X.reshape(-1, 1) # 创建并训练模型 model = LinearRegression() model.fit(X_reshaped, Y) # 获取回归结果 slope = model.coef_[0] # 斜率（系数） intercept = model.intercept_ # 截距 Y_pred = model.predict(X_reshaped) # 模型预测的 Y 值 r2 = r2_score(Y, Y_pred) # R² 分数 print("\n🔍 回归分析结果：") print(f" 回归方程：Y = {slope:.4f} * X + {intercept:.4f}") print(f" 真实方程：Y = {true_slope} * X + {true_intercept}") print(f" R² 分数（拟合优度）: {r2:.4f}") # ==================== 第四部分：绘制图表（关键部分） ==================== # 设置中文字体支持（避免中文乱码） plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 # 创建一个大画布，包含两个子图 fig, axes = plt.subplots(2, 2, figsize=(14, 10)) fig.suptitle('回归分析完整可视化', fontsize=16, fontweight='bold') # ---- 子图1：原始数据散点图 ---- axes[0, 0].scatter(X, Y, alpha=0.6, color='blue', edgecolors='black', linewidth=0.5) axes[0, 0].set_title('1. 原始数据散点图', fontsize=14) axes[0, 0].set_xlabel('X 变量', fontsize=12) axes[0, 0].set_ylabel('Y 变量', fontsize=12) axes[0, 0].grid(True, linestyle='--', alpha=0.6) # ---- 子图2：带回归线的散点图（核心） ---- axes[0, 1].scatter(X, Y, alpha=0.6, color='blue', label='实际数据') axes[0, 1].plot(X, Y_pred, color='red', linewidth=3, label='回归线') axes[0, 1].set_title('2. 回归线拟合', fontsize=14) axes[0, 1].set_xlabel('X 变量', fontsize=12) axes[0, 1].set_ylabel('Y 变量', fontsize=12) axes[0, 1].legend() axes[0, 1].grid(True, linestyle='--', alpha=0.6) # ---- 子图3：残差图（预测误差） ---- residuals = Y - Y_pred axes[1, 0].scatter(Y_pred, residuals, alpha=0.6, color='green') axes[1, 0].axhline(y=0, color='red', linestyle='--', linewidth=2) axes[1, 0].set_title('3. 残差图（检验模型假设）', fontsize=14) axes[1, 0].set_xlabel('预测值', fontsize=12) axes[1, 0].set_ylabel('残差（实际-预测）', fontsize=12) axes[1, 0].grid(True, linestyle='--', alpha=0.6) # ---- 子图4：预测 vs 实际（45度线） ---- axes[1, 1].scatter(Y, Y_pred, alpha=0.6, color='purple') # 绘制理想情况下的对角线（完美预测线） min_val = min(Y.min(), Y_pred.min()) max_val = max(Y.max(), Y_pred.max()) axes[1, 1].plot([min_val, max_val], [min_val, max_val], color='red', linestyle='--', linewidth=2, label='完美预测线') axes[1, 1].set_title('4. 预测值 vs 实际值', fontsize=14) axes[1, 1].set_xlabel('实际 Y 值', fontsize=12) axes[1, 1].set_ylabel('预测 Y 值', fontsize=12) axes[1, 1].legend() axes[1, 1].grid(True, linestyle='--', alpha=0.6) # ==================== 第五部分：显示图表（最关键的一步！） ==================== plt.tight_layout() # 自动调整子图间距 plt.show() # ★★★ 必须调用这个函数才会显示图表 ★★★ print("\n🎉 图表已显示！如果看到4个小图，说明一切正常。") print(" 如果没有弹出窗口，请检查是否安装了 matplotlib：") print(" 在终端运行: pip install matplotlib numpy pandas scikit-learn seaborn") ``` --- ## 🚀 **如何运行这份代码** ### **第一步：确保库已安装** 在 **VS Code 的终端**（按 `Ctrl+` ` 打开）中，运行以下命令： ```bash pip install matplotlib numpy pandas scikit-learn seaborn ``` ### **第二步：创建并运行文件** 1. 打开 VS Code 2. 按 `Ctrl+N` 新建文件 3. **完整复制**上面的代码，粘贴到新文件中 4. 按 `Ctrl+S` 保存文件，命名为 `regression_demo.py` 5. 点击右上角的 **▶️ 运行按钮**（或按 `F5`） ### **第三步：查看结果** - **终端** 会打印数据和回归结果 - **会弹出一个新窗口**，显示 **4 张图表** - 关闭图表窗口后，程序结束 --- ## 🎯 **如果仍不出图，请检查** 1. **确认 `plt.show()` 存在**：代码最后必须有这行 2. **检查终端输出**： - 如果看到 `ModuleNotFoundError` → 库没安装 - 如果看到代码执行完毕但没图 → 可能是 IDE 设置问题 3. **尝试在代码开头添加这行**（针对某些环境）： ```python import matplotlib matplotlib.use('TkAgg') # 强制使用 Tkinter 后端显示 ``` --- ## 📁 **额外赠送：保存图表到文件** 如果你想 **保存图表为图片**（而不是只显示），在 `plt.show()` 前添加： ```python plt.savefig('回归分析结果.png', dpi=300, bbox_inches='tight') print("图表已保存为 '回归分析结果.png'") ``` --- ## 💡 **总结** **为什么这份代码保证出图？** 1. 包含了所有必要的库 2. 使用 `plt.show()` 触发显示 3. 数据生成、回归计算、可视化完整闭环 **如果运行成功，你将看到：** - 终端中的回归方程和 R² 分数 - 一个包含 4 张子图的窗口 **如果还有问题，请：** 1. 把运行后的 **完整终端输出** 发给我 2. 或告诉我你是用什么工具运行 Python 的（VS Code、PyCharm、Jupyter 等） **直接复制上面的代码运行吧，这次一定能看到图表！** 😊