Python实现线性拟合：基于NumPy与SciPy的完整代码示例
发布时间：2026-10-13 |
2人浏览过
本文介绍如何使用Python进行线性拟合。通过结合NumPy生成数据范围、SciPy的curve_fit进行参数优化以及Matplotlib可视化，展示了从散点绘制到直线拟合的完整流程。代码包含具体的API调用与参数设置，适合需要快速实现数据线性回归的开发者参考。
Python线性拟合实现背景
接到实验室任务，需要为给定数据绘制线性拟合图。由于不熟悉Matlab，决定尝试使用Python实现。参考了网络上的相关教程并查阅官方文档后，成功编写出相应的代码。
实现该功能主要依赖以下三个Python库：
核心代码与API使用
import numpy as np
import matplotlib.pyplot as plt
from scipy import optimize
def f_1(x, A, B):
return A * x + B
plt.figure()
# 拟合点
x0 = [75, 70, 65, 60, 55,50,45,40,35,30]
y0 = [22.44, 22.17, 21.74, 21.37, 20.92,20.67,20.32,20.05,19.84,19.59]
# 绘制散点
plt.scatter(x0[:], y0[:], 3, "red")
# 直线拟合与绘制
A1, B1 = optimize.curve_fit(f_1, x0, y0)[0]
x1 = np.arange(30, 75, 0.01)#30和75要对应x0的两个端点，0.01为步长
y1 = A1 * x1 + B1
plt.plot(x1, y1, "blue")
print(A1)
print(B1)
plt.title(" ")
plt.xlabel('t')
plt.ylabel('Mt/g')
plt.show()
核心使用的API包括：
实验结果展示
运行上述代码后，生成的拟合图像与原始数据匹配良好，结果令人满意。
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持本站。
本站声明
本文内容仅供参考，不代表本站观点。转载或引用请注明出处。如发现内容问题，请通过联系我们页面反馈。
