### 使用Python实现数据拟合 #### 多项式拟合 对于多项式拟合，`numpy`库提供了`np.polyfit`函数来完成这一任务。此函数可以用于找到最佳拟合给定数据点的多项式的系数[^1]。 ```python import numpy as np x = [50, 100, 150, 200, 250] y = [2.645751311, 7.071067812, 10.44030651, 11.48912529, 14.4222051] deg = 1 # Linear fit coefficients = np.polyfit(x, y, deg) print(f"Coefficients of the fitted polynomial: {coefficients}") ``` 这段代码会输出线性拟合下的斜率和截距作为多项式的系数。 #### 线性拟合及绘图 为了执行更复杂的操作比如绘制拟合后的图形，除了`numpy`外还需要引入`matplotlib.pyplot`来进行可视化工作[^2]。 ```python import matplotlib.pyplot as plt plt.figure() plt.scatter(x, y, label='Data Points') xfit = np.linspace(min(x), max(x)) yfit = coefficients[0]*xfit + coefficients[1] plt.plot(xfit, yfit, color="red", label=f'Fitted Line (degree={deg})') plt.title('Linear Fit Example') plt.xlabel('X-axis Label') plt.ylabel('Y-axis Label') plt.legend() plt.show() ``` 上述脚本创建了一个散点图表示原始的数据点，并在同一张图表上画出了基于前面计算得到的一次多项式（即直线）的最佳拟合线条[^3]。 #### 非线性模型拟合 如果目标不是简单的线性关系而是其他形式的关系，则可能需要考虑非线性的拟合方式。例如，在某些情况下，二次或更高阶的多项式可能是更好的选择；而在另一些场景下，指数增长或其他类型的函数可能会更加贴切描述数据之间的联系。此时可利用`scipy.optimize.curve_fit`来进行自定义公式的参数估计[^4]。 ```python from scipy.optimize import curve_fit def quadratic_function(x, a, b, c): return a * x ** 2 + b * x + c popt, pcov = curve_fit(quadratic_function, xdata=x, ydata=y) predicted_values = quadratic_function(np.array([min(x), max(x)]), *popt) print(f"Fitted parameters for quadratic function are: {popt}") plt.figure() plt.scatter(x, y, label='Original Data') plt.plot([min(x), max(x)], predicted_values, 'r-', label='Quadratic Fit') plt.legend(loc='best') plt.show() ``` 在这个例子中，定义了一个名为`quadratic_function`的新函数用来表达想要拟合的具体数学形式——在这里是一个二次方程。接着调用了`curve_fit()`去寻找最能代表所提供数据集特征的那一组未知数\(a\)、\(b\)和\(c\)。