今天小编给大家分享一下Python曲线拟合怎么实现的相关知识点，内容详细，逻辑清晰，相信大部分人都还太了解这方面的知识，所以分享这篇文章给大家参考一下，希望大家阅读完这篇文章后有所收获，下面我们一起来了解一下吧。
入门
scipy.optimize中，
curve_fit函数可调用非线性最小二乘法进行函数拟合，例如，现在有一个高斯函数想要被拟合
则调用方法如下
import numpy as np from scipy.optimize import curve_fit def gauss(x, a, b, c): return a*np.exp(-(x-b)**2/c**2) x = np.arange(100)/10 y = gauss(x, 2, 5, 3) + np.random.rand(100)/10 # 非线性拟合 abc为参数；para为拟合评价 abc, para = curve_fit(gauss, x, y) print(abc) # [2.03042233 5.01182397 3.10994351]
其中，
curve_fit在调用时输入了三个参数，分别是拟合函数、自变量、因变量。返回值
abc和
para分别为拟合参数和拟合的协方差，最终得到
abc的值与预设的
2,0.5, 3是比较接近的，其拟合效果可以画图查看一下
import matplotlib.pyplot as plt plt.scatter(x, y, marker='.') Y = gauss(x, *abc) plt.plot(x, Y, lw=1) plt.show()
效果如下
参数
curve_fit的装形式如下
curve_fit(f, xdata, ydata, p0=None, sigma=None, absolute_sigma=False, check_finite=True, bounds=(-inf, inf), method=None, jac=None, *, full_output=False, **kwargs)
除了
f, xdata, ydata已经用过之外，其他参数的含义为
p0拟合参数初始值
sigma相对精度要求
absolute_sigma绝对精度要求
check_finite有限性检测开关
bounds拟合范围
method拟合方法，可选‘lm’, ‘trf’, ‘dogbox’，与least_squares函数中定义相同
jac雅可比矩阵，与least_squares中定义相同
最小二乘函数：least_squares
多元拟合
尽管
curve_fit的参数列表中，只给出了
xdata, ydata作为拟合参数，而
xdata只有一组，但
curve_fit是具备多元拟合潜力的。
唯一需要注意的是，当多元拟合函数的返回值必须为一维数组，示例如下
# 创建一个函数模型用来生成数据 def func1(x, a, b, c, d): r = a * np.exp(-((x[0] - b) ** 2 + (x[1] - d) ** 2) / (2 * c ** 2)) return r.ravel() # 生成原始数据 xx = np.indices([10, 10]) z = func1(xx, 10, 5, 2, 5) + np.random.normal(size=100)/100 abcd, para = curve_fit(func1, xx, z) print(abcd) # [10.00258587 5.00146314 1.99952885 5.00138184]
可以发现拟合结果与预设的
abcd还是比较接近的，下面绘制三维图像来更加直观地查看一下
z = z.reshape(10, 10) Z = func1(xx, *abcd).reshape(10,10) ax = plt.subplot(projection='3d') ax.scatter3D(xx[0], xx[1], z, color='red') ax.plot_surface(xx[0], xx[1], Z, cmap='rainbow') plt.show()
结果如下