正如我在评论中提到的，seaborn是统计数据可视化的绝佳选择。

import seaborn as sns

sns.regplot(x='motifScore', y='expression', data=motif)

或者，可以使用statsmodels.regression.linear_model.OLS手动绘制回归线。

import statsmodels.api as sm

# regress "expression" onto "motifScore" (plus an intercept)
model = sm.OLS(motif.expression, sm.add_constant(motif.motifScore))
p = model.fit().params

# generate x-values for your regression line (two is sufficient)
x = np.arange(1, 3)

# scatter-plot data
ax = motif.plot(x='motifScore', y='expression', kind='scatter')

# plot regression line on the same axes, set x-axis limits
ax.plot(x, p.const + p.motifScore * x)
ax.set_xlim([1, 2])

另一种解决方案是statsmodels.graphics.regressionplots.abline_plot，它从上述方法中去除了一些样板。

import statsmodels.api as sm
from statsmodels.graphics.regressionplots import abline_plot

# regress "expression" onto "motifScore" (plus an intercept)
model = sm.OLS(motif.expression, sm.add_constant(motif.motifScore))

# scatter-plot data
ax = motif.plot(x='motifScore', y='expression', kind='scatter')

# plot regression line
abline_plot(model_results=model.fit(), ax=ax)

我同意@Igor Rauch的观点，当涉及到绘制简单回归拟合线时，seaborn非常容易使用（特别是因为OLS拟合是在引擎盖下完成的）。
使用seaborn，您可以关闭ci，传递kwargs用于线和散点。

import pandas as pd
import seaborn as sns
df = pd.DataFrame({
    'motifScore': [1.401123, 1.188554, 1.476361, 1.805736, 1.110953, 1.744645, 1.098253, 1.098253], 
    'expression': [0.55, -1.58, -1.75, 0.13, 2.3, -0.49, -1.59, -2.04]})

sns.regplot(x='motifScore', y='expression', data=df, ci=False, line_kws={'color': 'red'}, scatter_kws={'s': 20, 'alpha': 0.7});

相关的statsmodels方法是abline_plot()。它使用matplotlib.lines.Line2D构建引擎盖下的拟合线;因此，如果轴限制设置不当，则可能不会显示该线。例如，对于默认限制（（0，1），（0，1）），样本数据的拟合线根本不会显示出来。

import statsmodels.api as sm

X = sm.add_constant(df['motifScore'])
y = df['expression']
results = sm.OLS(y, X).fit()

fig = sm.graphics.abline_plot(model_results=results, color='red')
fig.axes[0].set(ylim=(-1,0), xlim=(1,2))

它不绘制原始数据，因此必须单独绘制。由于abline是一条拟合线，它可能会穿过分散的标记，因此不需要调整轴限制。请注意，在abline_plot()之前绘制散点图可能更好，以获得更明确定义的轴限制。

import matplotlib.pyplot as plt
plt.scatter(df['motifScore'], df['expression'])
fig = sm.graphics.abline_plot(model_results=results, color='red', ax=plt.gca())

如果您想坚持使用statsmodels.graphics，还有另一个绘图仪值得查看：plot_ccpr()。因为这绘制了CCPR，它的主要功能是查看特定回归量对因变量的影响（对于模型y=a+b*x，绘制x against b*x），它将被常数项关闭。如果y-刻度并不重要，它是有用的。

fig = sm.graphics.plot_ccpr(results, 'motifScore')
# the above is the same as the following (uncomment to see it drawn)
# notice that results.params.const is missing from y
# fig.axes[0].plot(range(1,3), [results.params['motifScore']*i for i in range(1,3)]);