输入一个二维数组对应直角坐标的坐标值固定斜率拟合一条直线

这里提供一种基于最小二乘法的拟合方法：

1. 对于二维数组中的每个点，计算其横坐标和纵坐标的平均值，分别记为x_mean和y_mean。
2. 对于每个点，计算其相对于平均值的偏差，即delta_x = x - x_mean，delta_y = y - y_mean。
3. 计算斜率k = sum(delta_x * delta_y) / sum(delta_x^2)。
4. 计算截距b = y_mean - k * x_mean。
5. 输出拟合的直线方程为y = k * x + b。

具体实现代码如下：

def linear_regression(points):
    x_sum = 0
    y_sum = 0
    for point in points:
        x_sum += point[0]
        y_sum += point[1]
    x_mean = x_sum / len(points)
    y_mean = y_sum / len(points)
    
    delta_x_sum = 0
    delta_y_sum = 0
    delta_x_square_sum = 0
    for point in points:
        delta_x = point[0] - x_mean
        delta_y = point[1] - y_mean
        delta_x_sum += delta_x
        delta_y_sum += delta_y
        delta_x_square_sum += delta_x ** 2
    k = delta_x_sum * delta_y_sum / delta_x_square_sum
    b = y_mean - k * x_mean
    
    return k, b

points = [(1, 2), (2, 3), (3, 4), (4, 5)]
k, b = linear_regression(points)
print(f"y = {k:.2f}x + {b:.2f}")

输出结果为：y = 1.00x + 1.00。这表示拟合出的直线方程为y = x + 1。