在Python中进行线性拟合，你可以使用`numpy`和`scipy`库中的函数。下面是一个简单的例子，展示了如何使用`scipy.optimize.curve_fit`函数进行线性拟合：
import numpy as npimport matplotlib.pyplot as pltfrom scipy import optimize定义线性函数模型def linear_model（x, a, b）:return a * x + b给定的数据点x_data = np.array（[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]）y_data = np.array（[5, 7, 9, 11, 13, 15, 28.92, 42.81, 56.7, 70.59, 84.47, 98.36, 112.25, 126.14, 140.03]）使用curve_fit进行线性拟合params, params_covariance = optimize.curve_fit（linear_model, x_data, y_data）输出拟合参数print（f"拟合参数：a = {params}, b = {params}"）使用拟合参数计算预测值y_fit = params * x_data + params绘制数据点和拟合线plt.scatter（x_data, y_data, label='数据点'）plt.plot（x_data, y_fit, color='red', label='拟合线'）plt.legend（）plt.show（）
这段代码首先定义了一个线性函数模型`linear_model`，然后使用`optimize.curve_fit`函数找到最佳拟合参数`a`和`b`。最后，使用这些参数计算预测值，并绘制数据点和拟合线。
如果你需要更复杂的拟合，比如多项式拟合或其他非线性拟合，`scipy`库也提供了相应的函数。