如何用NumPy Polynomial.fit()强制线性拟合过指定点（原点）

为什么权重法不是最优解 #

你试过的权重调整只能让拟合结果更偏向目标点，但没法严格强制拟合线精准经过该点——权重本质是最小化加权平方误差，哪怕给指定点设极大权重，也可能因为数值计算的问题做不到完全精确，而且这种方法不够可靠。

精确强制经过指定点的两种方法 #

方法1：手动约束参数（适合强制过原点） #

对于线性拟合 ( y = kx + b )，如果要强制过原点((0,0))，那截距(b)直接固定为0，问题简化成拟合(y = kx)。可以用最小二乘法直接求解：

import numpy as np
import matplotlib.pyplot as plt

x = np.array([0, 1, 2, 3])
y = np.array([0, 4, 5, 6])

# 直接求解斜率k，固定截距为0
k, _, _, _ = np.linalg.lstsq(x[:, np.newaxis], y, rcond=None)
fitfunc = np.polynomial.Polynomial([0, k[0]])

# 验证结果
print(fitfunc)
print(fitfunc.coef)  # 系数为[0, k]，截距严格为0
print(fitfunc(0))   # 输出0，确保过原点

# 绘图展示
fig, ax1 = plt.subplots()
ax1.plot(x, y, ".")
ax1.plot(x, fitfunc(x), label=str(fitfunc))
plt.legend()
plt.show()

方法2：约束最小二乘法（适合任意指定点） #

如果要强制拟合经过多个任意指定点，NumPy的Polynomial.fit本身不支持硬约束，这时可以用scipy的约束最小二乘工具实现：

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

x = np.array([0, 1, 2, 3])
y = np.array([0, 4, 5, 6])
degree = 1

# 构造线性拟合的设计矩阵，每行对应[1, x_i]（对应截距b和斜率k）
X = np.vander(x, degree+1, increasing=True)

# 设置约束：强制经过(0,0)，即 截距b*1 + 斜率k*0 = 0
A_eq = np.array([[1, 0]])  # 约束矩阵，对应系数[b, k]
b_eq = np.array([0])       # 约束目标值

# 求解约束最小二乘
res = lsq_linear(X, y, A_eq=A_eq, b_eq=b_eq)
coef = res.x
fitfunc = np.polynomial.Polynomial(coef)

# 验证结果
print(fitfunc)
print(fitfunc.coef)
print(fitfunc(0))  # 严格输出0

# 绘图展示
fig, ax1 = plt.subplots()
ax1.plot(x, y, ".")
ax1.plot(x, fitfunc(x), label=str(fitfunc))
plt.legend()
plt.show()

关于Polynomial.fit的权重参数 #

w参数是给每个数据点的误差分配权重，权重越大，拟合时越优先降低该点的误差。比如设w=[1000, 1, 1, 1]会让拟合结果非常靠近(0,0)，但没法保证严格经过，而且极端权重容易引发数值不稳定问题，所以不推荐用这种方法实现精确约束。

内容的提问来源于stack exchange，提问作者handle