### Python 提取曲线数据并进行曲线拟合的方法 在 Python 中，可以利用 `matplotlib` 和 `numpy` 库完成曲线的数据提取和拟合操作。以下是具体实现方式： #### 使用 Numpy 进行多项式拟合 Numpy 的 `polyfit` 函数能够用于执行多项式拟合。通过指定次数参数（如 deg=2 表示二次多项式），可以从给定的输入数据中获得最佳拟合系数。 ```python import numpy as np import matplotlib.pyplot as plt ti = [1, 1.5, 2, 2.5, 3, 3.5, 4, 4.5, 5, 5.5, 6, 6.5, 7, 7.5, 8] yi = [33.40, 79.50, 122.65, 159.05, 189.15, 214.15, 238.65, 252.2, 267.55, 280.50, 296.65, 301.65, 310.4, 318.15, 325.15] # 执行一元二次多项式拟合 (deg=2) z1 = np.polyfit(ti, yi, 2) # 构建对应的多项式对象 p1 = np.poly1d(z1) # 计算拟合后的 y 值 yvals = p1(ti) print("拟合多项式的系数:", z1) # 输出拟合多项式的系数[^3] # 绘制原始散点图与拟合曲线 plt.scatter(ti, yi, color="blue", label="Original Data Points") plt.plot(ti, yvals, 'r-', label="Fitted Curve") plt.title('Curve Fitting with Polynomial') plt.xlabel('X-axis') plt.ylabel('Y-axis') plt.legend() plt.show() ``` 上述代码实现了基于输入数据的一元二次多项式拟合，并绘制了原数据点以及拟合曲线的结果图表。 --- #### SciPy 的 curve_fit 方法 除了 `numpy.polyfit` 外，SciPy 的 `curve_fit` 是另一种强大的工具，适用于更复杂的自定义函数形式拟合。例如，如果目标是非线性模型，则推荐此方法。 ```python from scipy.optimize import curve_fit import numpy as np import matplotlib.pyplot as plt def func(x, a, b, c): """ 定义待拟合的目标函数 """ return a * x**2 + b * x + c ti = [1, 1.5, 2, 2.5, 3, 3.5, 4, 4.5, 5, 5.5, 6, 6.5, 7, 7.5, 8] yi = [33.40, 79.50, 122.65, 159.05, 189.15, 214.15, 238.65, 252.2, 267.55, 280.50, 296.65, 301.65, 310.4, 318.15, 325.15] # 利用 curve_fit 对目标函数进行拟合 params, covariance = curve_fit(func, ti, yi) a, b, c = params # 显示拟合结果中的参数值 print(f"Fitted parameters: a={a}, b={b}, c={c}") # 预测新的 y 值 fitted_yi = func(np.array(ti), a, b, c) # 可视化比较实际数据与拟合效果 plt.figure(figsize=(8, 6)) plt.scatter(ti, yi, color='green', label='Data points') plt.plot(ti, fitted_yi, '--', color='orange', linewidth=2, label='Fitted function') plt.title('Nonlinear Function Fit using Scipy.curve_fit()') plt.xlabel('Independent Variable X') plt.ylabel('Dependent Variable Y') plt.legend() plt.grid(True) plt.show() ``` 这段程序展示了如何借助 `scipy.optimize.curve_fit()` 来拟合一组特定形式的非线性关系[^2]。 --- #### 结果分析 无论是采用简单的多项式拟合法还是更为灵活的非线性回归技术，在数据分析领域都具有广泛应用价值。对于简单场景下的趋势预测或者复杂科学计算任务而言，这些算法均能提供可靠支持[^4]。