如何为numpy数组生成的5条折线分别添加趋势线并解决linregress报错

scipy.stats.linregress 不支持仅传入单组因变量计算趋势，必须同时传入**自变量（时间序列）和因变量（对应深度的湿度序列）**两个参数。你只传了单维的湿度Series，函数尝试读取其第二维度时就会抛出索引越界错误。
另外要注意：你之前对df_plot做了异常值替换为NaN的处理，计算回归的时候要提前过滤掉NaN值，否则也会出现计算错误。

1. 预处理滑动平均数据 #

和你原有预处理逻辑对齐，用除以孔隙度、过滤异常值后的df_plot计算，保证趋势线和已画折线的数值匹配：

import numpy as np
from scipy.stats import linregress
import plotly.graph_objects as go

# 将时间转为数值类型用于线性回归计算，这里用序列位置做自变量，也可以根据需求转成时间戳/年份数值
t_numeric = np.arange(len(t))

# 计算滑动平均，加min_periods避免前半段全为NaN
window = 17520
df_ma = df_plot.rolling(window=window, min_periods=window//2).mean()

2. 批量计算所有深度的趋势线 #

trend_lines = {}
depth_cols = ['Moisture litter layer','Moisture 3 cm','Moisture 20 cm','Moisture 50 cm','Moisture 100 cm']

for col in depth_cols:
    # 过滤当前列的NaN值，匹配对应时间
    valid_mask = ~df_ma[col].isna()
    y_valid = df_ma[col][valid_mask]
    x_valid = t_numeric[valid_mask]
    
    # 计算线性回归参数
    slope, intercept, r_val, p_val, std_err = linregress(x_valid, y_valid)
    # 生成完整趋势线序列
    trend_vals = intercept + slope * t_numeric
    trend_lines[col] = trend_vals

3. 将趋势线添加到已有图表 #

你之前生成的f4是plotly Figure对象，直接添加trace即可：

# 用虚线区分趋势线和原始折线，可自定义样式
line_styles = [dict(dash='dash', width=1.5) for _ in range(len(depth_cols))]

for idx, col in enumerate(depth_cols):
    f4.add_trace(
        go.Scatter(
            x = t,
            y = trend_lines[col],
            name = f'{col} 趋势线',
            mode = 'lines',
            line = line_styles[idx],
            legendgroup = col # 和原折线归为同一图例组，点击可同时隐藏
        )
    )

f4.show()

• 如果不需要滑动平均后的趋势，直接把第二步的df_ma换成df_plot，即可得到原始数据的线性趋势
• 窗口大小17520对应小时频率的2年数据，若觉得前半段空值过多，可自行调小窗口或调整min_periods参数
• 若需要斜率有实际物理意义（如每年湿度变化量），可将t_numeric替换为(pd.to_datetime(t) - pd.to_datetime(t[0])).days / 365.25，计算出的slope单位为m³/m³ 每年

内容的提问来源于stack exchange，提问作者Ellie98