python curve_fit

import numpy as np
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt

# 定义要拟合的函数形式，例如指数衰减函数
def func(x, a, b, c):
    return a * np.exp(-b * x) + c

# 生成一些示例数据，包含噪声
x_data = np.linspace(0, 4, 50)
y = func(x_data, 2.5, 1.3, 0.5)
np.random.seed(1729)
y_noise = 0.2 * np.random.normal(size=x_data.size)
y_data = y + y_noise

# 使用curve_fit进行拟合
popt, pcov = curve_fit(func, x_data, y_data)

# popt是拟合得到的最佳参数，pcov是协方差矩阵
a_opt, b_opt, c_opt = popt

# 打印拟合结果
print(f"拟合得到的参数: a={a_opt}, b={b_opt}, c={c_opt}")

# 绘制原始数据和拟合曲线
plt.figure()
plt.scatter(x_data, y_data, label='Data')
plt.plot(x_data, func(x_data, *popt), 'r-', label='Fitted Curve')
plt.legend()
plt.show()

解释说明：

1. 导入库：我们使用了numpy来处理数据，scipy.optimize.curve_fit来进行曲线拟合，以及matplotlib.pyplot来绘制图表。
2. 定义函数：func(x, a, b, c)是我们要拟合的函数形式，这里是一个指数衰减函数。
3. 生成数据：x_data是自变量数据，y_data是带有噪声的目标数据。
4. 拟合数据：curve_fit函数用于拟合数据，返回最佳参数popt和协方差矩阵pcov。
5. 打印结果：输出拟合得到的参数值。
6. 绘制图表：将原始数据点和拟合曲线绘制在同一张图上以便直观比较。

如果你需要更多帮助或有其他问题，请随时告诉我！