Python曲线拟合实战：使用curve_fit进行指数与幂函数拟合

Leo

发布时间：2026-10-13| 6人浏览过

原创

本文详细介绍如何在Python中利用scipy.optimize库的curve_fit函数实现指数和幂函数的曲线拟合。通过对比一次二次多项式拟合，演示了如何定义目标函数、生成带噪声的数据集，并调用curve_fit获取最优参数。文中包含完整的代码示例及拟合效果对比图，帮助开发者快速掌握非线性拟合技巧。

1、一次二次多项式拟合

对于一次或二次多项式的拟合，操作相对简单，直接调用numpy库中的polyfit(x, y, degree)函数即可完成。

2、指数与幂数拟合curve_fit

针对更复杂的非线性拟合，可以使用scipy.optimize模块中的curve_fit函数。以下以幂数拟合为例进行说明：

from scipy.optimize import curve_fit
import matplotlib.pyplot as plt
import numpy as np
 
def func(x, a, b, c):
 return a * np.exp(-b * x) + c
 
xdata = np.linspace(0, 4, 50)
y = func(xdata, 2.5, 1.3, 0.5)
ydata = y + 0.2 * np.random.normal(size=len(xdata))
plt.plot(xdata,ydata,'b-')
popt, pcov = curve_fit(func, xdata, ydata)
#popt数组中，三个值分别是待求参数a,b,c
y2 = [func(i, popt[0],popt[1],popt[2]) for i in xdata]
plt.plot(xdata,y2,'r--')
print popt

下方展示了原始数据点与拟合曲线的对比效果：

接着展示指数拟合的具体示例：

def fund(x, a, b):
 return x**a + b
 
xdata = np.linspace(0, 4, 50)
y = fund(xdata, 2.5, 1.3)
ydata = y + 4 * np.random.normal(size=len(xdata))
plt.plot(xdata,ydata,'b-')
popt, pcov = curve_fit(fund, xdata, ydata)
#popt数组中，三个值分别是待求参数a,b,c
y2 = [fund(i, popt[0],popt[1]) for i in xdata]
plt.plot(xdata,y2,'r--')
print popt

下图为指数拟合的原始数据与拟合曲线结果：