如何在log10对数坐标系中正确绘制线性回归线？

我正在绘制两组数据freq（频率）和data（对应频率的数值观测值）的关系图，希望在log-log对数坐标系中使用stats.linregress执行普通最小二乘线性回归。我先将freq和data转换为np.log10形式，计划用plt.loglog绘制对数坐标系下的直线回归线，但红色回归线与绿色实际数据点相距甚远，请问如何修正使回归线贴合实际数据？

原可复现代码：

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

# Data
freq = [0.0102539, 0.0107422, 0.0112305, 0.0117188, 0.012207, 0.0126953,
        0.0131836]
data = [4.48575,  4.11893,  3.69591,  3.34766,  3.18452,  3.23554,  3.43357]

# Plot log10 of freq vs. data
plt.loglog(freq, data, c="green")

# Linear regression
log_freq = np.log10(freq)
log_data = np.log10(data)

reg = stats.linregress(log_freq, log_data)
slope = reg[0]
intercept = reg[1]

plt.plot(freq, slope*log_freq + intercept, color="red")

你的代码存在两个关键错误：

• 绘制回归线时，直接使用了对数域的计算结果slope*log_freq + intercept，但这个值是对数尺度的y值，而plt.plot会把它当作原始数值处理，相当于把对数结果直接放到了原始尺度坐标系中，数值完全不匹配。
• 绘制回归线时用了plt.plot而非和原始数据一致的plt.loglog，且未将回归结果转换回原始数值尺度。

需要把对数回归得到的结果转换回原始数值尺度，再绘制回归线，修正后的代码如下：

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

# 数据
freq = [0.0102539, 0.0107422, 0.0112305, 0.0117188, 0.012207, 0.0126953,
        0.0131836]
data = [4.48575,  4.11893,  3.69591,  3.34766,  3.18452,  3.23554,  3.43357]

# 绘制原始数据的log-log图
plt.loglog(freq, data, c="green", label="原始数据")

# 对数转换后执行线性回归
log_freq = np.log10(freq)
log_data = np.log10(data)

reg = stats.linregress(log_freq, log_data)
slope = reg.slope
intercept = reg.intercept

# 将对数域的回归结果转换回原始数值尺度
reg_line = 10 ** (slope * log_freq + intercept)

# 绘制回归线
plt.loglog(freq, reg_line, color="red", label="回归线")

plt.legend()
plt.xlabel("频率")
plt.ylabel("观测值")
plt.show()

关键修正点 #

• 用10 ** (slope * log_freq + intercept)将对数回归的计算结果转换回原始数值尺度，确保和原始数据处于同一尺度下。
• 使用plt.loglog绘制回归线，和原始数据的绘图逻辑保持一致，保证在log-log坐标系中显示正确。

内容的提问来源于stack exchange，提问作者Philipp