scipy.stats.linregress(x, y=None, alternative=‘two-sided’)
主要参数：
x, y：x, y 是长度相同的一维数组 。或者 x 是二维数组，且 y=none，则二维数组 x 相当于 长度相同的一维数组 x, y 。返回值：
slope：斜率，直线 f ( x ) = p 0p 1 ? x中的 p 1 。intercept：截距，直线 f ( x ) = p 0p 1 ? x中的 p 0。rvalue：r^2 值，统计量 。pvalue：p 值，P检验的统计量 。stderr：标准差，统计量 。2.2 Python 例程：单变量线性拟合 程序说明：

scipy.optimize.leastsq() 与 scipy.stats.linregress() 都可以进行单变量线性拟合 。leastsq() 既可以用于单变量也可以用于多变量问题；linregress() 只能用于单变量问题，但可以给出很多参数估计的统计结果 。leastsq() 要以子函数来定义观测值与拟合函数值的误差函数，例程中分别定义了拟合函数 fitfunc1(p, x) 与误差函数error1(p, x, y) ，是为了方便调用拟合函数计算拟合曲线在数据点的函数值 。注意 p 为数组。leastsq() 中误差函数的函数名可以任意定义，但误差函数的参数必须按照 (p,x,y) 的顺序排列，不能改变次序 。leastsq() 中观测数据 (x, yObs) 是以动态参数 args 的方式进行传递的 。这种处理方式非常独特，没有为什么，leastsq() 就是这样定义的 。linregress() 只要将观测数据 (x,yObs) 作为参数，默认单变量线性拟合，不需要定义子函数 。leastsq() 与 linregress() 进行线性拟合，得到的参数估计结果是相同的 。