MATLAB 的 `cftool`（Curve Fitting Toolbox）是一个强大的工具，主要用于数据拟合，支持线性和非线性模型，如多项式、幂律、指数、高斯等。在 Python 中，虽然没有完全等价的单一工具，但可以通过多个库和函数组合实现类似的功能。 ### 曲线拟合工具与函数 #### 1. **SciPy 的 `curve_fit`** `scipy.optimize.curve_fit` 是一个常用的非线性最小二乘拟合函数，适用于自定义模型的拟合。它类似于 `cftool` 中的自定义函数拟合功能。 ```python from scipy.optimize import curve_fit import numpy as np def func(x, a, b, c): return a * np.exp(-b * x) + c xdata = np.linspace(0, 4, 50) ydata = func(xdata, 2.5, 1.3, 0.5) popt, pcov = curve_fit(func, xdata, ydata) print(popt) # 输出最优参数 ``` #### 2. **NumPy 的 `polyfit`** `numpy.polyfit` 用于多项式拟合，类似于 `cftool` 中的多项式拟合选项。 ```python import numpy as np x = np.array([0, 1, 2, 3, 4]) y = np.array([0, 1, 4, 9, 16]) coeffs = np.polyfit(x, y, 2) # 二次多项式拟合 print(coeffs) # 输出多项式系数 ``` #### 3. **Scikit-learn 的 `LinearRegression`** 对于线性回归问题，`scikit-learn` 提供了 `LinearRegression`，适用于线性模型拟合。 ```python from sklearn.linear_model import LinearRegression import numpy as np X = np.array([[0], [1], [2], [3]]) y = np.array([0, 1, 2, 3]) model = LinearRegression() model.fit(X, y) print(model.coef_) # 输出系数 print(model.intercept_) # 输出截距 ``` #### 4. **Statsmodels 的 `OLS`** `statsmodels` 提供了 `OLS`（普通最小二乘法）用于线性回归，类似于 `cftool` 中的线性拟合功能。 ```python import statsmodels.api as sm X = sm.add_constant([0, 1, 2, 3]) y = [0, 1, 2, 3] model = sm.OLS(y, X).fit() print(model.summary()) ``` #### 5. **PyGOF (Python Goodness of Fit)** `PyGOF` 是一个用于评估拟合优度的库，可以与 `curve_fit` 或 `polyfit` 结合使用，评估拟合结果的质量。 ```python from pygof import gof # 假设 y_true 是真实值，y_pred 是预测值 y_true = [0, 1, 2, 3] y_pred = [0.1, 0.9, 2.1, 3.1] gof_results = gof(y_true, y_pred) print(gof_results) ``` #### 6. **LMFit-Py** `LMFit-Py` 是一个高级接口，基于 `scipy.optimize.leastsq`，提供了更灵活的参数设置和约束条件，适用于复杂的非线性拟合。 ```python from lmfit import Model def decay(t, amp, tau): return amp * np.exp(-t/tau) t = np.linspace(0, 5, 100) data = decay(t, 5, 2) + np.random.normal(size=len(t)) model = Model(decay) params = model.make_params(amp=1, tau=1) result = model.fit(data, params, t=t) print(result.fit_report()) ``` #### 7. **SciPy 的 `UnivariateSpline` 和 `LSQUnivariateSpline`** 这些函数用于样条拟合，类似于 `cftool` 中的平滑样条拟合。 ```python from scipy.interpolate import UnivariateSpline import numpy as np x = np.linspace(0, 10, 100) y = np.sin(x) + np.random.normal(0, 0.1, 100) spline = UnivariateSpline(x, y, s=0.5) y_fit = spline(x) ``` ### 拟合质量评估 在 `cftool` 中，可以查看拟合的 R²、RMSE 等统计指标。Python 中可以通过 `sklearn.metrics` 或 `statsmodels` 提供的函数来评估拟合质量。 ```python from sklearn.metrics import r2_score, mean_squared_error r2 = r2_score(y_true, y_pred) rmse = np.sqrt(mean_squared_error(y_true, y_pred)) print(f"R²: {r2}, RMSE: {rmse}") ``` ### 图形化界面 虽然 Python 没有完全等价于 `cftool` 的图形化工具，但可以通过 `Plotly` 或 `Bokeh` 构建交互式拟合工具，或者使用 `Jupyter Notebook` 配合 `ipywidgets` 创建交互式拟合界面。 ```python import matplotlib.pyplot as plt from ipywidgets import interact def plot_polyfit(degree): coeffs = np.polyfit(x, y, degree) p = np.poly1d(coeffs) plt.scatter(x, y) plt.plot(x, p(x), color='red') plt.show() interact(plot_polyfit, degree=(1, 10)) ``` ### 总结 虽然 Python 没有单一工具完全等价于 MATLAB 的 `cftool`，但通过 `SciPy`、`NumPy`、`scikit-learn`、`statsmodels` 和 `LMFit-Py` 等库的组合，可以实现类似的拟合功能，并且具有更高的灵活性和可扩展性。