Python拟合曲线怎么做？三种回归方法代码示例详解

做数据分析时，曲线拟合几乎是绕不开的活儿。Python里实现起来相当方便，下面分享三种常见的回归方法，代码直接可用，覆盖了从简单到复杂的场景。

1. 简单线性回归

回归分析中的基础款，简单线性回归通过最小二乘法来求解回归系数，最适合处理线性关系的数据。来看一个直观的例子：

import numpy as np
import matplotlib.pyplot as plt

x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
y = np.array([2.5, 4.5, 4.8, 5.5, 6.0, 7.0, 7.8, 8.0, 9.0, 9.5])

# 计算回归系数
slope, intercept = np.polyfit(x, y, 1)

# 绘制拟合曲线
plt.scatter(x, y)
plt.plot(x, slope * x + intercept, color='red')

plt.show()

这段代码里，np.polyfit 负责算出回归系数，plot 画出拟合直线，scatter 则展示原始数据点。逻辑很清晰，一条直线就把趋势概括了。

2. 多项式回归

当数据呈现明显的弯曲或波动，简单线性回归就力不从心了。这时候多项式回归登场——它通过增加自变量的幂次来拟合更复杂的曲线。下面是一个三次多项式拟合的例子：

import numpy as np
import matplotlib.pyplot as plt

x = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
y = np.array([2.5, 4.5, 4.8, 5.5, 6.0, 7.0, 7.8, 8.0, 9.0, 9.5])

# 计算多项式回归系数
coefs = np.polyfit(x, y, 3)

# 使用np.poly1d函数来生成一个多项式拟合对象
poly = np.poly1d(coefs)

# 生成新的横坐标，使得拟合曲线更加平滑
new_x = np.linspace(min(x), max(x), 1000)

# 绘制拟合曲线
plt.scatter(x, y)
plt.plot(new_x, poly(new_x), color='red')

plt.show()

和简单线性回归不同，这里用 np.polyfit 指定了 degree=3，得到三次多项式系数，再用 np.poly1d 生成多项式对象。为了画出的曲线更平滑，我们重新生成了一组更密集的 x 坐标（np.linspace），然后代入多项式计算 y 值。效果立竿见影。

3. 非线性回归

如果数据背后的规律根本不是多项式能描述的——比如指数衰减、对数增长——那就得上非线性回归了。Python 的 scipy.optimize.curve_fit 是处理这类问题的利器。假设我们想拟合一个指数衰减模型：

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

def func(x, a, b, c):
    return a * np.exp(-b * x) + c

# 生成模拟数据
x_data = np.linspace(0, 4, 50)
y_data = func(x_data, 2.5, 1.3, 0.5) + 0.2 * np.random.normal(size=len(x_data))

# 使用curve_fit函数来拟合非线性数据
popt, pcov = curve_fit(func, x_data, y_data)

# 画出原始数据和拟合曲线
plt.scatter(x_data, y_data, label="Data")
plt.plot(x_data, func(x_data, *popt), color='red', label="Fitted curve")
plt.legend()
plt.show()

代码中先定义了一个非线性函数 func（这里是指数形式），然后 curve_fit 会自动寻找最优参数 popt。第一个参数传函数对象，第二个和第三个分别是横纵坐标数据。注意，curve_fit 需要你事先指定函数的形式，这既是它的灵活性，也是它的前提——你得对数据背后的物理或数学关系有个大致判断。

总结

以上三种方法基本覆盖了日常工作中最常见的曲线拟合需求：简单线性回归处理线性关系，多项式回归应对复杂趋势，非线性回归则解决非标准函数形式。实际应用时，根据数据分布的特征和业务背景选择合适的方法，就能得到不错的拟合效果。