### Python 实现曲线拟合的最小二乘法 在 Python 中，`numpy` 提供了一个简单易用的方法 `polyfit()` 来实现多项式拟合，该方法基于最小二乘法原理[^1]。以下是详细的说明和示例代码。 #### 方法概述 - 使用 `numpy.polyfit(x, y, deg)` 函数可以对给定的数据点 `(x, y)` 进行多项式拟合，其中 `deg` 表示多项式的阶次。 - 返回的结果是一个系数数组，按照降幂顺序排列。 - 可以利用返回的系数生成一个新的多项式对象 `np.poly1d()` 并绘制其图形。 #### 示例代码 以下是一段完整的代码示例，展示如何使用 `numpy` 和 `matplotlib` 库来实现曲线拟合： ```python import numpy as np import matplotlib.pyplot as plt # 设置随机种子以确保结果可重复 np.random.seed(12) # 定义原始数据点 x = np.linspace(-20, 20, 10) # 创建均匀分布的 x 值 y = 3.6 * pow(x, 3) + 8.3 * pow(x, 2) + 5.1 * pow(x, 1) + 5 # 构造对应的 y 值 # 多项式拟合 func = np.polyfit(x, y, 3) # 对数据进行三阶多项式拟合 p = np.poly1d(func) # 将拟合结果转换为多项式对象 # 生成更密集的 x 值用于绘图 xn = np.linspace(-20, 20, 1000) yn = p(xn) # 计算新的 y 值 # 绘制图像 plt.figure(figsize=(10, 6)) plt.plot(xn, yn, label='Fitted Curve', color='red') # 拟合曲线 plt.scatter(x, y, label='Original Data Points', color='blue') # 原始数据点 plt.title('Polynomial Fitting with Least Squares Method') plt.xlabel('X-axis') plt.ylabel('Y-axis') plt.legend() plt.grid(True) plt.show() ``` 这段代码实现了以下几个功能： 1. 利用 `pow()` 函数构造了一条复杂的三次多项式作为真实函数。 2. 调用了 `np.polyfit()` 方法对该函数进行了三阶多项式拟合，并得到了相应的系数[^1]。 3. 使用 `np.poly1d()` 将这些系数转化为便于使用的多项式对象。 4. 最终通过 `matplotlib` 展示了原始数据点与拟合后的平滑曲线之间的对比效果。 #### 关于 SciPy 的扩展应用 虽然本案例仅涉及到了 NumPy 的基本功能，但如果需要更加复杂或高级的功能（比如非线性模型），则推荐考虑 SciPy 工具箱中的子模块 `scipy.optimize.curve_fit()`[^2]。这个工具能够支持任意形式的目标函数表达式，因而适用范围更为广泛。 --- ###