Python 最小二乘法多项式拟合曲线numpy.polyfit(),numpy.poly1d(),pylab

最新推荐文章于 2026-07-20 16:35:13 发布

转载最新推荐文章于 2026-07-20 16:35:13 发布 · 5.9w 阅读

收录于

Python学习

当前文章被收录于：

Python学习

74 篇文章 2 人学习

Python使用，安装，脚本，概念，原理，算法

订阅专栏查看详情

python

当前文章被收录于：

python

73 篇文章 1 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

本文通过使用Python的NumPy库进行一维数据的多项式拟合，展示了如何选择不同的自由度来逼近实验数据，并比较了三次和六次多项式拟合的效果。

  原文地址：http://wiki.klniu.com/zh-hans/Python/Modules/Scipy
  

  import numpy as np
from scipy.optimize import leastsq
import pylab as pl
 
x = np.arange(1, 17, 1)
y = np.array([4.00, 6.40, 8.00, 8.80, 9.22, 9.50, 9.70, 9.86, 10.00, 10.20, 10.32, 10.42, 10.50, 10.55, 10.58, 10.60])
 
#第一个拟合，自由度为3
z1 = np.polyfit(x, y, 3)
# 生成多项式对象
p1 = np.poly1d(z1)
print(z1)
print(p1)
 
# 第二个拟合，自由度为6
z2 = np.polyfit(x, y, 6)

  # 生成多项式对象p2 
  = np.
  poly1d
  (z2
  )
  print
  (z2
  )
  print
  (p2
  ) 
  # 绘制曲线 
  # 原曲线pl.
  plot
  (x
  , y
  , 
  'b^-'
  , label
  =
  'Origin Line'
  )pl.
  plot
  (x
  , p1
  (x
  )
  , 
  'gv--'
  , label
  =
  'Poly Fitting Line(deg=3)'
  )pl.
  plot
  (x
  , p2
  (x
  )
  , 
  'r*'
  , label
  =
  'Poly Fitting Line(deg=6)'
  )pl.
  axis
  (
  [
  0
  , 
  18
  , 
  0
  , 
  18
  ]
  )pl.
  legend
  (
  )
  # Save figurepl.
  savefig
  (
  'scipy02.png'
  , dpi
  =
  96
  )
 

输出结果：

[ 0.00624491 -0.20371114  2.18193147  2.57208791]
          3          2
0.006245 x - 0.2037 x + 2.182 x + 2.572
[ -1.89843481e-06   1.90557772e-04  -6.80682074e-03   1.16832830e-01
  -1.04793542e+00   4.90253564e+00   1.76057692e-02]
            6             5            4          3         2
-1.898e-06 x + 0.0001906 x - 0.006807 x + 0.1168 x - 1.048 x + 4.903 x + 0.01761

图像：