### 非连续多组数据的趋势拟合 对于不连续且具有相同趋势的多组数据，在Python中可以采用多种方法来进行有效的拟合。一种常见的方式是通过引入分段函数或多变量模型来捕捉每组数据的独特特征，同时保持整体趋势的一致性。 #### 使用多项式回归进行非线性拟合 当面对非线性的趋势时，可以通过调整多项式的阶数来更好地匹配实际观测值的变化模式[^3]。下面是一个简单的例子，展示如何利用`numpy.polyfit()`和`scipy.optimize.curve_fit()`实现这一目标： ```python import numpy as np from scipy import optimize import matplotlib.pyplot as plt def poly_func(x, *params): """定义多项式函数""" result = 0 for i, param in enumerate(params): result += param * (x ** i) return result # 假设我们有两组不同的X,Y坐标点代表两个独立的时间序列片段 data_sets_x = [ [1, 2, 4], # 数据集A中的横坐标 [7, 8, 9] # 数据集B中的横坐标 ] data_sets_y = [ [-1.5, -0.5, 1.5], [6., 7., 8.] ] # 合并所有数据以便一次性完成拟合操作 all_xs = [] all_ys = [] for xs, ys in zip(data_sets_x, data_sets_y): all_xs.extend(xs) all_ys.extend(ys) initial_guesses = [np.random.rand() for _ in range(len(max(data_sets_x)))] optimal_params, covariance_matrix = optimize.curve_fit(poly_func, all_xs, all_ys, p0=initial_guesses) print(f'Optimized parameters: {optimal_params}') plt.scatter(all_xs, all_ys, label='Original Data') xfit = np.linspace(min(all_xs), max(all_xs)) yfit = poly_func(xfit, *optimal_params) plt.plot(xfit, yfit, color="red", lw=2, label=f"Fitted Curve ({len(optimal_params)-1}-degree polynomial)") plt.legend() plt.show() ``` 此代码展示了如何将多个分离的数据集合在一起，并应用相同的多项式形式对其进行统一拟合的过程。需要注意的是，这种方法假设所有的子集共享相似的基础关系；如果各部分之间存在显著差异，则应考虑分别建立各自的模型或将这些因素纳入更复杂的混合效应框架内。