如何在Matplotlib中拟合特定斜率的直线？

嘿，我刚好之前处理过类似的需求，其实在Matplotlib里拟合特定斜率的直线（包括你要的水平线）真的有很简便的方法，不用折腾复杂的工具，结合NumPy就能快速搞定！

一、最简单的水平线拟合（斜率=0） #

水平线本质上就是拟合一个常数y值，最常用的方式是对原始数据的y值取均值（如果是拟合数据趋势的话），然后画一条贯穿整个x轴范围的直线就行：

import matplotlib.pyplot as plt
import numpy as np

# 先模拟一组示例数据
x = np.linspace(0, 10, 100)
y = np.random.normal(loc=5, scale=1, size=100)  # 围绕y=5的带噪声数据

# 计算拟合的水平线y值：取y的均值
y_fit = np.mean(y)

# 绘制原始数据+拟合线
plt.scatter(x, y, label='原始数据', alpha=0.6)
# 画水平线：x范围用数据的最小/最大值，y值固定为y_fit
plt.plot([x.min(), x.max()], [y_fit, y_fit], 'r--', linewidth=2, label=f'拟合水平线 (y={y_fit:.2f})')

plt.legend()
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.show()

如果只是需要画一条指定y值的参考水平线（不是拟合数据，比如标注某个阈值），那更简单，直接用Matplotlib内置的axhline函数：

# 直接画y=5的水平线
plt.axhline(y=5, color='r', linestyle='--', label='参考水平线')

二、扩展：拟合任意特定斜率的直线 #

如果你需要拟合斜率固定为k的直线（比如斜率=1、斜率=2等），直线方程是y = k*x + b，我们只需要用最小二乘法求解最优截距b即可。推导后可以得到，最优b的计算方式是：b = np.mean(y - k*x)，完全不用调用复杂的拟合库：

import matplotlib.pyplot as plt
import numpy as np

# 模拟斜率为2的带噪声数据
x = np.linspace(0, 10, 100)
y = 2*x + np.random.normal(loc=0, scale=1.5, size=100)

# 指定要拟合的斜率k
target_k = 2

# 计算最优截距b
b_fit = np.mean(y - target_k * x)

# 生成拟合直线的y值
y_fit = target_k * x + b_fit

# 绘图
plt.scatter(x, y, label='原始数据', alpha=0.6)
plt.plot(x, y_fit, 'g--', linewidth=2, label=f'拟合直线 (y={target_k}x + {b_fit:.2f})')

plt.legend()
plt.xlabel('X轴')
plt.ylabel('Y轴')
plt.show()

小补充：更严谨的加权拟合（可选） #

如果你的数据需要考虑权重，或者想要更灵活的拟合控制，可以用scipy.optimize.curve_fit，通过固定斜率参数来实现：

from scipy.optimize import curve_fit

# 定义固定斜率的直线函数
def fixed_slope_line(x, b):
    return target_k * x + b

# 拟合截距b
popt, _ = curve_fit(fixed_slope_line, x, y)
b_fit = popt[0]

不过上面的NumPy均值法已经足够应付绝大多数日常场景，更轻量高效。

内容的提问来源于stack exchange，提问作者dushyanth