数据集最佳拟合线失效及代码运行报错求助（含ValueError与NameError）

我来帮你拆解这两个错误的根源，然后给出修复后的完整代码：

错误原因解析 #

第一个错误（ValueError） #

你在调用linregress计算回归系数a和b之前，就先执行了y = a*x + b。如果之前的Python会话里a是一个形状为(3,4)的数组（可能是之前运行其他代码留下的残留变量），它就会和你生成的x（形状(8,)）无法进行广播运算，从而抛出「operands could not be broadcast together」的错误。

第二个错误（NameError） #

重装seaborn后，新的Python会话里没有任何预定义的a和b变量，你直接在代码开头就使用这两个未定义的变量，Python自然找不到它们，所以报「name 'a' is not defined」。

修复后的完整代码 #

核心调整是改变代码执行顺序：先计算回归系数，再用这些系数生成拟合线，最后绘制图表。

import pandas as pd
import seaborn as sns
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import linregress

# 设置绘图主题
sns.set_theme(style="whitegrid")

# 加载并准备数据集
iris = sns.load_dataset("iris")
dataset1 = iris

# 提取用于回归分析的变量
x = dataset1['petal_length'].to_numpy(dtype=float)
y = dataset1['sepal_length'].to_numpy(dtype=float)

# 先计算线性回归参数（这一步必须在生成拟合线之前）
a, b, r, p, stderr = linregress(x, y)

# 打印回归结果
print("\na: {:.4f}".format(a))
print("\nb: {:.4f}".format(b))
print("\nR Squared: {:.4f}".format(r**2))

# 生成拟合线的x范围（使用数据实际区间更合理）
x_fit = np.linspace(x.min(), x.max(), 100)
y_fit = a * x_fit + b

# 绘制散点图
sns.scatterplot(data=dataset1, x='petal_length', y='sepal_length')

# 绘制拟合线并添加可显示的标签
plt.plot(x_fit, y_fit, 'r', label=f'Y = {a:.4f}X + {b:.4f}')
plt.legend()  # 显示拟合线标签

# 展示图表
plt.show()

额外优化点说明 #

• 把拟合线的x范围改成了数据中petal_length的实际最小值到最大值，拟合线会精准覆盖数据区间，比固定0-7更合理。
• 添加了plt.legend()来显示拟合线的公式标签，让图表信息更清晰。
• 调整了导入语句的位置，将所有库导入放在代码开头，结构更整洁。

内容的提问来源于stack exchange，提问作者mrlobaloba