湖南建筑公司网站网站百度收录查询

在Python中，绘制散点图并添加趋势线（通常是线性回归线）、公式、以及相关系数（Pearson Correlation Coefficient）和均方根误差（RMSE）可以通过结合matplotlib用于绘图，numpy用于数学运算，scipy或statsmodels用于线性回归计算来实现。不过，对于线性回归线和公式的添加，statsmodels提供了更直接的方式来获取回归方程的参数。

以下是一个完整的示例，展示如何完成这些步骤：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy.stats import pearsonr
from sklearn.metrics import mean_squared_error
import statsmodels.api as sm# 假设你已经有了一个DataFrame，其中包含两列数据
# 这里我们创建一个示例DataFrame
np.random.seed(0)
x = np.random.rand(100) * 100  # 生成0到100之间的随机数
y = 2 * x + 3 + np.random.randn(100) * 10  # 生成y值，与x线性相关但带有噪声
data = pd.DataFrame({'X': x, 'Y': y})# 计算相关系数
corr, _ = pearsonr(x, y)# 计算RMSE（这里假设x是预测值，y是实际值，但在这种情况下，我们只是用它们来演示）
# 注意：在真实应用中，你可能会有不同的预测值
rmse = np.sqrt(mean_squared_error(y, x))  # 但在这种情况下，这没有实际意义，只是演示# 使用statsmodels进行线性回归，获取趋势线参数
X = sm.add_constant(data['X'])  # 添加常数项以拟合截距
model = sm.OLS(data['Y'], X).fit()
intercept, slope = model.params[0], model.params[1]  # 截距和斜率# 绘制散点图
plt.figure(figsize=(10, 6))
plt.scatter(data['X'], data['Y'], color='blue', alpha=0.5, label='Data Points')# 添加趋势线
x_values = np.array(data['X'])
y_pred = intercept + slope * x_values
plt.plot(x_values, y_pred, color='red', label='Trend Line')# 添加相关系数和RMSE到图中
plt.text(0.02, 0.95, f'Correlation Coefficient: {corr:.2f}', transform=plt.gca().transAxes, fontsize=12, color='green')
plt.text(0.02, 0.90, f'RMSE (for demonstration): {rmse:.2f}', transform=plt.gca().transAxes, fontsize=12, color='red')# 添加趋势线方程到图中
plt.text(0.85, 0.05, f'Y = {slope:.2f}X + {intercept:.2f}', transform=plt.gca().transAxes, fontsize=12, color='black', ha='right')# 设置图例、标题和坐标轴标签
plt.legend()
plt.title('Scatter Plot with Trend Line, Correlation, and RMSE')
plt.xlabel('X')
plt.ylabel('Y')# 显示图形
plt.grid(True)
plt.show()

注意：

1. 在这个示例中，我使用了numpy来生成一些模拟数据，但在实际应用中，你应该从文件、数据库或其他数据源中加载数据。

2. 我计算了RMSE，但在这个上下文中，它并没有实际意义，因为x和y都是实际观测到的数据，而不是预测值与实际值之间的比较。在回归问题中，你通常会有预测值（由模型根据输入数据计算得出）和实际值（观测到的数据），然后计算RMSE来评估模型的性能。

3. 我使用了statsmodels来执行线性回归，因为它提供了方便的接口来获取回归模型的参数（如截距和斜率），并且可以直接输出回归统计信息。

4. 在添加文本到图形时，我使用了transform=plt.gca().transAxes来确保文本的位置是相对于整个图形的轴（axes）进行定位的，这样可以避免在图形缩放时文本位置发生变化。