1、图表中选中任意一个点，右键，添加趋势线，线性，OK。
2、首先，输入你的数据。假设你有两组数据，分别代表X和Y的值。然后在Excel中，你可以插入一个散点图来可视化这些数据。点击插入选项卡，选择图表，然后选择散点图。接着，你可以添加趋势线来拟合这些数据。
3、线性回归：使用Excel内置的“趋势线”功能，可以对数据进行线性回归拟合。可以在“插入”选项卡中找到“趋势线”按钮。选择线性趋势线后，Excel将计算数据的斜率和截距，并将结果输出至图表上，以便于用户查看。 多项式回归：Excel也支持多项式回归拟合，即将数据拟合至多项式曲线上。
实验数据拟合方法：试验测得的数据常常是一组离散型序列，含有不可避免的误差，或者无法同时满足某特定的函数，那么我们用所逼近函数ψ（x）最优的靠近样点，此法称为拟合函数。模型参数拟合方法：在某一反应工程实验中，对测得的某一组数据，采用不同的模型去拟合实验数据，求出最佳的模型和模拟参数。
线性拟合一般采用的方法是基于最小二乘法拟合函数、基于pyplot拟合函数、基于神经网络拟合函数。线性拟合是曲线拟合的一种形式。设x和y都是被观测的量，且y是x的函数：y=f（x；b），曲线拟合就是通过x，y的观测值来寻求参数b的最佳估计值，及寻求最佳的理论曲线y=f（x；b）。
数据的录入与保存：创建Workfile：点击File/New/Workfile，输入起止日期。建立object输入数据：点击object/new object，定义数据文件名ex4_2并输入数据。 将Workfile保存：点击File/save，而store只存储对象object。
在MATLAB中进行对数函数拟合，通常涉及选择合适的对数类型（自然对数或常用对数）、定义模型函数、然后使用诸如curve fitting toolbox的工具。例如，如果你有一个数据集x和对应的对数值y，可以使用fit函数来拟合一个对数模型，如model = fit（x， log（y）， logarithmic）。
必须搞清那些变量是自变量x，那个是因变量y；因变量y与自变量x的关系必须明确，其相对关系比较简洁。接下来，我们就可以开始来拟合函数的系数，数据 x1=[。。]；x2=[。。]；x3=[。。]；x4=[。。]；x5=[。。]；x=[x1 x2 x3 x4 x5]； %自变量x y=[。。
要兼顾三组数据，在试验条件不变的情况下，可对三组数据取平均值后再拟合。如：a1=[x1，y1]；a2=[x2，y2]；a3=[x3，y3]；假设x1，x2，x3，y1，y2，y3是列向量且元素个数相等，x=mean（[x1，x2，x3]，2）；y=mean（[y1，y2，y3]，2）；a=[x，y]；再对x，y进行拟合就可对三组数据都兼顾到了。
首先，origin在数据拟合方面提供了非常大的功能，一般我们用的最多的几项包括：线性拟合、多项式拟合、以及非线性拟合等等，可能有些科研工作者根据具体需要还会用到自定义拟合。导入两组数据，如图（1）所示的单调递增和单调递减数据。
线性拟合：对于线性关系的数据，可以使用最小二乘法进行线性拟合。选择Analysis菜单中的Curve Fitting，然后选择Linear Fit进行线性拟合。选择适当的变量作为x和y，Origin会自动计算线性拟合的参数和误差。 非线性拟合：对于非线性关系的数据，可以使用最小二乘法进行非线性拟合。
第一步：选中第一部分数据，然后右键——Mask——Apply，这样改部分数据就被遮罩住了并以红色显示。第二步：选中A和B两列所有数据，通过scatter工具画出散点图。这时可以看到被遮罩的数据的散点图也是以红色显示。第三步：Analysis菜单——Fitting——Fit linear——OK，即可拟合未遮罩段的直线。
方法步骤：部分数据选择：选中部分数据的起始行，右键，set as begin，选中部分数据的最后一行，右键，set as end。此时只保留部分数据，其他数据会隐藏。数据拟合：选中XY两列，Analysis--Fitting--Fit Linear进行线性拟合。隐藏数据恢复：如需要，选中XY两列，Edit--Reset to full range。
