如何用Python拟合符合散点特征的弧形曲线？

1. 二次抛物线拟合 #

你要的弧形最直接的候选就是二次曲线，数学表达式明确：$z = ax^2 + bx + c$，不会像高次多项式那样出现震荡。用numpy的polyfit就能快速实现：

import numpy as np
import matplotlib.pyplot as plt

# 替换成你的X、Z列数据
x = your_x_data
z = your_z_data

# 拟合二次曲线
a, b, c = np.polyfit(x, z, 2)
z_fit = a * x**2 + b * x + c

# 绘图对比
plt.scatter(x, z, label='原始散点')
plt.plot(x, z_fit, 'g-', label=f'拟合曲线: z={a:.4f}x² + {b:.4f}x + {c:.4f}')
plt.legend()
plt.show()

2. 对数模型拟合 #

如果你的散点是增长/衰减速率逐渐放缓的弧形，试试对数模型，比如$z = a\ln(x + c) + b$（加c避免x=0时的报错），用scipy的curve_fit来拟合：

from scipy.optimize import curve_fit

# 定义对数模型
def log_model(x, a, b, c):
    return a * np.log(x + c) + b

# 拟合，p0是初始参数猜测，可根据数据调整
popt, _ = curve_fit(log_model, x, z, p0=[1, 0, 1])
z_fit_log = log_model(x, *popt)

plt.scatter(x, z, label='原始散点')
plt.plot(x, z_fit_log, 'g-', label=f'拟合曲线: z={popt[0]:.4f}ln(x+{popt[2]:.4f}) + {popt[1]:.4f}')
plt.legend()
plt.show()

3. 指数模型拟合 #

如果弧形有明显的渐近趋势，试试指数模型$z = ae^{bx} + c$：

# 定义指数模型
def exp_model(x, a, b, c):
    return a * np.exp(b * x) + c

# 拟合，p0是初始参数，根据数据大致趋势调整
popt_exp, _ = curve_fit(exp_model, x, z, p0=[1, 0.1, 0])
z_fit_exp = exp_model(x, *popt_exp)

plt.scatter(x, z, label='原始散点')
plt.plot(x, z_fit_exp, 'g-', label=f'拟合曲线: z={popt_exp[0]:.4f}e^({popt_exp[1]:.4f}x) + {popt_exp[2]:.4f}')
plt.legend()
plt.show()

4. 双曲线分支模型 #

如果弧形是类似双曲线的形态，试试$z = \frac{a}{x + b} + c$：

def hyperbola_model(x, a, b, c):
    return a / (x + b) + c

popt_hyp, _ = curve_fit(hyperbola_model, x, z, p0=[1, 1, 0])
z_fit_hyp = hyperbola_model(x, *popt_hyp)

plt.scatter(x, z, label='原始散点')
plt.plot(x, z_fit_hyp, 'g-', label=f'拟合曲线: z={popt_hyp[0]:.4f}/(x+{popt_hyp[1]:.4f}) + {popt_hyp[2]:.4f}')
plt.legend()
plt.show()

关键提醒 #

• 别用40次多项式了，高次多项式必然过拟合，会出现很多不必要的震荡，完全偏离你要的平滑弧形
• 用curve_fit时如果拟合失败，调整p0的初始参数，比如根据数据的大致范围猜一个合理值
• 可以用$R^2$值评估拟合效果，越接近1越好：

from sklearn.metrics import r2_score

# 比如计算二次曲线的R²
r2_quad = r2_score(z, z_fit)
print(f"二次曲线R²值: {r2_quad:.4f}")

内容的提问来源于stack exchange，提问作者mst-ara