### 使用Python进行数据拟合 为了实现数据点的拟合并找到匹配的数学函数，可以采用多种方式。对于简单的线性关系，可以直接应用`numpy`库中的线性代数功能；而对于更复杂的非线性情况，则可能需要用到更高阶的方法。 #### 线性回归模型构建 当目标是寻找两个变量间的线性关联时，可以通过解决最小二乘法问题来获得最佳拟合直线。下面是一个基于上述提及的技术栈的例子： ```python import numpy as np from matplotlib import pyplot as plt # 定义输入的数据集 data_x = np.array([1, 2, 3, 4, 5]) data_y = np.array([-0.45, -0.6, -0.9, -1.2, -1.5]) # 构造系数矩阵A和常数项B matrix_A = np.vstack([data_x, np.ones(len(data_x))]).T vector_B = data_y # 计算最优解w=(a,b)，其中a为斜率，b为截距 solution_w = np.linalg.lstsq(matrix_A, vector_B, rcond=None)[0] plt.scatter(data_x, data_y, color='red') # 绘制原始散点图 plt.plot(data_x, solution_w[0]*data_x + solution_w[1], label=f'y={solution_w[0]:.2f}x+{solution_w[1]:.2f}') # 绘制拟合后的直线 plt.legend() plt.show() print(f"The fitted linear function is f(x) = {solution_w[0]:.2f}*x + ({solution_w[1]:.2f})") # 打印结果 ``` 此段代码展示了如何通过给定的一系列坐标点`(data_x,data_y)`来进行一元线性回归分析，并最终得到形如\(f(x)=ax+b\)的形式作为输出[^1]。 #### 多项式曲线拟合 如果想要探索更加灵活的关系形式——比如二次甚至更高次幂的情况，那么应该考虑使用多项式的拟合策略。这同样依赖于`numpy.polyfit()`函数完成参数估计工作： ```python degree_of_poly = 2 # 设定希望拟合的最大次数 coefficients = np.polyfit(data_x, data_y, degree_of_poly) polynomial_function = np.poly1d(coefficients) xs_for_plotting = np.linspace(min(data_x), max(data_x), 100) ys_fitted_curve = polynomial_function(xs_for_plotting) plt.figure(figsize=(8,6)) plt.scatter(data_x, data_y, c="blue", marker="o", alpha=0.7, s=100, edgecolors="black") plt.plot(xs_for_plotting, ys_fitted_curve, linestyle="--", linewidth=2, color="green") equation_string = " ".join([f"{c:.2f}"+"*x^"+str(i) if i>0 else str(c) for i,c in enumerate(reversed(list(coefficients)))]) plt.title('Polynomial Fit of Degree '+str(degree_of_poly)+'\n'+r'$y='+equation_string+'$', fontsize=14) plt.xlabel('Independent Variable X') plt.ylabel('Dependent Variable Y') plt.grid(True) plt.tight_layout() plt.show() ``` 这段脚本不仅实现了指定度数下的多项式拟合操作，还自动生成了一个可视化的图表用于展示所得的结果[^2]。