当然，我可以提供一个更简单的示例，这个示例将仅使用matplotlib和numpy来绘制散点图，并使用numpy的polyfit函数（尽管它主要用于多项式拟合，但在这里我们用它来进行线性拟合）来添加趋势线。然后，我们将手动计算相关系数（使用numpy的corrcoef或scipy的pearsonr）和RMSE（但请注意，在这个简单的例子中，RMSE的计算只是为了演示，因为通常我们不会将输入变量x视为预测值）。
以下是简化的示例：
python
import numpy as np
import matplotlib.pyplot as plt
# 生成模拟数据
np.random.seed(0)
x = np.linspace(0, 10, 100) # 生成一个等差数列作为x值
y = 2 * x + 3 + np.random.randn(100) * 2 # 生成y值，与x线性相关但带有噪声
# 使用numpy的polyfit进行线性拟合（1表示一次多项式，即线性）
slope, intercept = np.polyfit(x, y, 1)
# 计算趋势线的y值
y_pred = slope * x + intercept
# 计算相关系数（使用numpy的corrcoef）
corr_matrix = np.corrcoef(x, y)
corr = corr_matrix[0, 1]
# 注意：在真实的应用场景中，你不会计算x和y之间的RMSE，因为x不是预测值。
# 但为了演示，我们仍然计算它。
rmse = np.sqrt(np.mean((y - x) ** 2)) # 这在实际中没有意义，只是为了演示
# 绘制散点图
plt.figure(figsize=(10, 6))
plt.scatter(x, y, color='blue', label='Data Points')
# 添加趋势线
plt.plot(x, y_pred, color='red', label='Trend Line')
# 添加相关系数和RMSE到图中（注意RMSE的标注只是为了演示）
plt.text(0.02, 0.95, f'Correlation Coefficient: {corr:.2f}', transform=plt.gca().transAxes, fontsize=12, color='green')
plt.text(0.02, 0.90, f'RMSE (for demonstration): {rmse:.2f}', transform=plt.gca().transAxes, fontsize=12, color='red')
# 添加趋势线方程到图中
plt.text(0.85, 0.05, f'Y = {slope:.2f}X + {intercept:.2f}', transform=plt.gca().transAxes, fontsize=12, color='black', ha='right')
# 设置图例、标题和坐标轴标签
plt.legend()
plt.title('Scatter Plot with Trend Line and Correlation')
plt.xlabel('X')
plt.ylabel('Y')
# 显示图形
plt.grid(True)
plt.show()请注意以下几点：
- 在这个示例中，
x是一个等差数列，而y是根据x的线性关系加上一些随机噪声生成的。 - 我们使用
np.polyfit来拟合线性模型，并获取斜率（slope）和截距（intercept）。 - 相关系数是使用
np.corrcoef计算的，该函数返回一个相关系数矩阵，其中corr_matrix[0, 1]是x和y之间的相关系数。 - RMSE的计算在这里只是为了演示目的，因为在实际应用中，你通常会计算预测值与实际值之间的RMSE。在这个例子中，我们将
x视为预测值来计算RMSE，但这在统计学上是没有意义的。 - 我们使用
plt.text在图形上添加文本，包括相关系数、RMSE（仅为演示）和趋势线方程。