python数据拟合之scipy.optimize.curve_fit解读
作者：Dylan_zlh
这篇文章主要介绍了python数据拟合之scipy.optimize.curve_fit解读，具有很好的参考价值，希望对大家有所帮助。如有错误或未考虑完全的地方，望不吝赐教
scipy.optimize.curve_fit解读
相比numpy库的多项式拟合函数polyfit，scipy.optimize模块中的函数curve_fit能够拟合的函数范围更广，不局限于多项式函数
已有数据
# 导入模块 import numpy as np import matplotlib.pyplot as plt from scipy.optimize import curve_fit
# 导入数据 x = np.linspace(0,1.0,11) y = np.array([-0.447, 1.978, 3.28, 6.16, 7.08, 7.34, 7.66, 9.56, 9.48, 9.30, 11.2])
# 拟合二次多项式
f = lambda x, a, b, c: a*x**2 + b*x + c
# popt为拟合参数，pcov为参数的协方差矩阵
popt, pcov = curve_fit(f, x, y)
print("拟合的参数值a,b,c分别为：", popt)
# x=0.25, 0.35的预测值
print("x=0.25, 0.35的预测值为", f(np.array([0.25, 0.35]), *popt))拟合的参数值a,b,c分别为： [-9.81083901 20.12929291 -0.03167108]
x=0.25, 0.35的预测值为 [4.38747471 5.81175366]
plt.rc('font', size=15)
plt.plot(x, y, '*') # 观测值数据的散点图
# 拟合数据的折线图
plt.plot(np.linspace(0.0, 1.0, 50), f(np.linspace(0.0, 1.0, 50), *popt), '-')
plt.show()
总结
以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。