方法一、用多項(xiàng)式函數(shù)進(jìn)行擬合

進(jìn)行多項(xiàng)式擬合，數(shù)學(xué)上可以證明，這里不再贅述原理、直接進(jìn)行應(yīng)用，任意函數(shù)都可以表示為多項(xiàng)式形式的example如下：

import numpy as np
import matplotlib.pyplot as plt
 
#定義x、y散點(diǎn)坐標(biāo)——你自己的數(shù)據(jù)
x = [10,20,30,40,50,60,70,80]
x = np.array(x)
print('x is :\n',x)
num = [174,236,305,334,349,351,342,323]
y = np.array(num)
print('y is :\n',y)

#用n次多項(xiàng)式擬合，此處n = 3，設(shè)置為3-7都比較合理，視案例復(fù)雜度以及需求而定
f1 = np.polyfit(x, y, 3)
print('f1 is :\n',f1)
 
#擬合y值
yvals = np.polyval(reg, x)
print('yvals is :\n',yvals)

#繪圖
plot1 = plt.plot(x, y, 's',label='original values')
plot2 = plt.plot(x, yvals, 'r',label='polyfit values')
plt.xlabel('x')
plt.ylabel('y')
plt.legend(loc=4) #指定legend的位置右下角
plt.title('polyfitting')
plt.show()

方法二、給出具體的函數(shù)形式(可以是任意的，只要你能寫的出來 下面的func就是)，用最小二乘的方式去逼近和擬合，求出函數(shù)的各項(xiàng)系數(shù)

##使用curve_fit

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
 
#自定義函數(shù) e指數(shù)形式
def func(x, a, b,c):
 return a*np.sqrt(x)*(b*np.square(x)+c)
 
#定義x、y散點(diǎn)坐標(biāo)
x = [20,30,40,50,60,70]
x = np.array(x)
num = [453,482,503,508,498,479]
y = np.array(num)
 
#非線性最小二乘法擬合
popt, pcov = curve_fit(func, x, y)
#獲取popt里面是擬合系數(shù)
print(popt)
a = popt[0] 
b = popt[1]
c = popt[2]
yvals = func(x,a,b,c) #擬合y值
print('popt:', popt)
print('系數(shù)a:', a)
print('系數(shù)b:', b)
print('系數(shù)c:', c)
print('系數(shù)pcov:', pcov)
print('系數(shù)yvals:', yvals)
#繪圖
plot1 = plt.plot(x, y, 's',label='original values')
plot2 = plt.plot(x, yvals, 'r',label='polyfit values')
plt.xlabel('x')
plt.ylabel('y')
plt.legend(loc=4) #指定legend的位置右下角
plt.title('curve_fit')
plt.show()