Python：为线性拟合添加错误线/阴影区域？

我有两列：R_nom=实际值，R_mes=测量值。 我有：

• 计算线性拟合
• 计算的%错误
• 计算机性病

我想使用以下工具进行日志打印：

• 测量值的分散（完成）
• 线性拟合（完成）
• 拟合线上方和下方的误差线表示我们期望的值。（待办事项）

这是我目前的代码：

#@标题堆栈示例
从plotly.subplot导入make_子地块
导入plotly.graph_对象作为go
将matplotlib.pyplot作为plt导入
将numpy作为np导入
作为pd进口熊猫
R_Nom=[1001001001005005005008008001200120012001200120055055005500]
R_Mes=[10210198975175174924908258112790125012401212111751153556005574544053905612]
df=pd.DataFrame（{“R_-Nom”：R_-Nom，“R_-Mes”：R_-Mes}）
#使用groupby查找平均值、最大值、最小值、标准差
mean=df.groupby（'R_Nom'）['R_Mes'].mean（）
max_u=df.groupby（'R_Nom'）['R_Mes'].max（）
min_uu=df.groupby（'R_Nom'）['R_Mes'].min（）
std=df.groupby（'R_Nom'）['R_Mes'].std（）
#对于错误%，但是我必须包括额外的步骤-可以如上所述编写吗？
df['Error_percentage']=abs（（df[“R_Mes”]-df[“R_Nom”]）/df[“R_Nom”]）*100
分组的df=df.groupby（“R\u Nom”）
max_error=grouped_df['error_percentage'].max（）
#将数据输出为用于打印的数据框
汇总=局部放电浓度（{“平均值”：平均值，
“min”：min，
“max”：max，
“性病”：性病，
“最大错误%”：最大错误}，轴=1）
总结
#拟合数据
x=np.log10（df['R_Nom']）
y=np.log10（df['R_Mes']）
x_fit=np.linspace（最小（x），最大（x），100）
模型=np.多边形拟合（x，y，1，full=真）
图=生成子图（规格=[{“次要”：True}]]
图1添加_轨迹(
go.Scatter（x=x_-fit，y=x_-fit*model[0][0]+model[0][1]，name=“fit”），
次要_y=错误
)
图1添加_轨迹(
go.Scatter（x=x，y=y，name=“Fit”，mode=“markers”），
次要_y=错误
)
图1添加_轨迹(
go.Scatter（x=np.log10（summary.index），y=summary['max_error%'，name=“error%”，
二次_y=真
)
图2（图3）

我已经手动添加了两条线，我的意思是，两条线包围了误差区域，不是直线，而是根据百分比或标准值在该精确R_Nom值处的变化而变化

第二，是否有其他方法可以用来估计我的数据的误差？R_平方等

---

最终目标是评估我能检测到的最小雷诺数变化是多少

你的意思是像or？看起来很好，唯一的问题是我的误差仅定义在我测量的值上（例如：100500）9我如何连接两者之间的点（例如270）？由于100时的erorr和方差与500时不同，可能需要对err（100）和err（500）进行加权平均？？这现在是一个统计问题。我确信，scipy有一个函数，可以生成误差条的插值，以获得更平滑的非线性表示。我在中标记了

scipy

，也许其他人知道这样做的最佳（即，正确）方法。你的意思是像or？看起来很好，唯一的问题是我的误差仅定义在我测量它的值（例如：100500）9我如何连接两者之间的点（例如270）？由于100时的erorr和方差与500时不同，可能需要对err（100）和err（500）进行加权平均？？这现在是一个统计问题。我确信，scipy有一个函数，可以生成误差条的插值，以获得更平滑的非线性表示。我在中标记了

scipy

，也许其他人知道这样做的最佳（即正确）方式。