pandas 无法直接做线性回归拟合，因其无参数估计机制和 .fit() 方法；需用 numpy.polyfit（轻量）、scikit-learn（预测导向）或 statsmodels（统计推断）实现。
直接用 pandas 做线性回归拟合是行不通的——它本身不提供回归模型训练能力，只能做数据准备和辅助计算；真正拟合必须交给 scikit-learn、statsmodels 或 numpy.polyfit。
为什么不能只靠 pandas 完成回归拟合
pandas 的核心职责是数据操作：读取、清洗、分组、聚合、绘图基础支持。它没有内置的参数估计机制，也没有 .fit() 方法。你可能会看到有人用 df.corr() 算相关系数，或用 df.rolling().mean() 平滑曲线，但这些都不是回归拟合。
-
df.corr()只返回皮尔逊相关系数，不给出斜率、截距或预测能力 -
df.plot(kind='line')加plt.axline()手动画线，属于“目测拟合”，无统计依据 - 试图用
df.eval('y_pred = a * x + b')硬编码参数，前提是 a/b 已知——而这正是回归要解的问题
用 numpy.polyfit 快速获得趋势线参数（轻量无依赖）
如果你只需要一条直线 y = ax + b，并且不想引入额外包，numpy.polyfit 是最简方案：它返回最小二乘意义下的系数数组，顺序为 [a, b]（高次项在前）。
示例：
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
立即学习“Python免费学习笔记（深入）”；
import numpy as np
import pandas as pd
<p>df = pd.DataFrame({'x': [1, 2, 3, 4, 5], 'y': [2.1, 3.9, 6.2, 7.8, 10.1]})
a, b = np.polyfit(df['x'], df['y'], 1) # 1 表示一次多项式（即直线）
df['y_fit'] = a * df['x'] + b- 注意
np.polyfit默认权重全为 1；若需加权拟合，得传入w参数（如误差倒数） - 结果是纯数值，不带标准误、p 值等统计信息——适合快速可视化，不适合推断分析
- 当
x含缺失值时，np.polyfit会报TypeError: expected 1D vector，务必先用df.dropna(subset=['x','y'])
用 scikit-learn 获取完整回归对象（推荐用于后续预测）
需要复用模型、做新数据预测、或接入 pipeline 时，LinearRegression 是更规范的选择。它要求输入是二维数组，所以 df[['x']]（双括号）不能省略——单列 Series 会触发 ValueError: Expected 2D array。
from sklearn.linear_model import LinearRegression <p>X = df[['x']] # 必须是 DataFrame 或 2D array y = df['y'] model = LinearRegression().fit(X, y) df['y_pred'] = model.predict(X)</p><h1>获取参数</h1><p>slope = model.coef<em>[0] intercept = model.intercept</em>
-
model.score(X, y)返回 R²，不是相关系数的平方（除非中心化处理过），但对一元线性回归二者数值相等 - 默认不包含常数项？不会——
LinearRegression(fit_intercept=True)是默认行为，强行设为False才过原点 - 若
X中有非数值列（如日期字符串），必须先转换，否则报ValueError: Invalid feature type
用 statsmodels 输出完整统计报告（适合分析场景）
当你需要 t 统计量、置信区间、F 检验或残差诊断时，statsmodels.api.OLS 是首选。它默认不添加截距项，必须显式用 sm.add_constant()，否则拟合的是过原点直线。
import statsmodels.api as sm <p>X = sm.add_constant(df['x']) # 添加常数列 'const' y = df['y'] result = sm.OLS(y, X).fit() print(result.summary())
- 输出中
coef列第一行是截距，第二行才是x的斜率 - 残差可直接取
result.resid，用于画 Q-Q 图或检验正态性 - 如果忘记
sm.add_constant()，result.params只有一个值，且result.rsquared会被错误计算（伪 R²）
真正容易被忽略的点在于：所有方法对异常值都极度敏感，而 pandas 自带的 .describe() 和 .plot(kind='scatter') 应该成为拟合前的强制步骤——没看散点图就跑回归，和没校准就用万用表量电压一样危险。
