Hey there! 既然你已经搞定了Excel数据导入和绘图，那生成对应的数学方程本质就是曲线拟合的工作，我给你分享几个实用的方法，完全贴合你的需求（X是capacity，Y是power）：

一、先搞定数据准备（你可能已经会，但还是提一下） #

首先用pandas读取你的Excel数据，确保把X和Y轴数据提取成数组：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 替换成你的Excel文件路径和sheet名
df = pd.read_excel("your_data.xlsx", sheet_name="Sheet1")
x = df["capacity"].values  # X轴：容量
y = df["power"].values     # Y轴：功率

二、最常用的：多项式拟合（适合多数常规趋势） #

如果你的数据看起来是线性、二次或者三次曲线，用numpy的polyfit和poly1d就能快速生成方程，还能直接得到拟合函数：

1. 线性拟合（y = ax + b） #

# 拟合1次多项式（线性）
coeffs_linear = np.polyfit(x, y, deg=1)
linear_model = np.poly1d(coeffs_linear)

# 打印格式化后的方程
print(f"线性拟合方程：y = {coeffs_linear[0]:.4f}x + {coeffs_linear[1]:.4f}")

# 绘图对比原始数据和拟合结果
plt.scatter(x, y, label="原始数据点", alpha=0.6)
plt.plot(x, linear_model(x), color="red", linewidth=2, label=f"线性拟合: {linear_model}")
plt.xlabel("Capacity")
plt.ylabel("Power")
plt.legend()
plt.show()

2. 高阶多项式拟合（比如二次y=ax²+bx+c） #

如果数据是曲线趋势，把deg参数改成2、3就行：

# 二次多项式拟合
coeffs_quad = np.polyfit(x, y, deg=2)
quad_model = np.poly1d(coeffs_quad)

print(f"二次拟合方程：y = {coeffs_quad[0]:.4f}x² + {coeffs_quad[1]:.4f}x + {coeffs_quad[2]:.4f}")

# 绘图
plt.scatter(x, y, label="原始数据点", alpha=0.6)
plt.plot(x, quad_model(x), color="green", linewidth=2, label=f"二次拟合: {quad_model}")
plt.xlabel("Capacity")
plt.ylabel("Power")
plt.legend()
plt.show()

三、自定义函数拟合（适合特定趋势，比如指数、对数） #

如果你的数据符合特定的物理模型或者非多项式趋势（比如指数增长），用scipy.optimize.curve_fit来拟合自定义函数：

示例：指数模型拟合（y = a·e^(bx) + c） #

from scipy.optimize import curve_fit

# 定义你想要拟合的自定义函数（这里是指数模型，你可以换成对数、幂函数等）
def exponential_model(x, a, b, c):
    return a * np.exp(b * x) + c

# 初始参数猜测（根据你的数据大概估一下，比如a=1, b=0.1, c=0，猜不准也没关系，curve_fit会自动优化）
initial_guess = [1, 0.1, 0]
# 执行拟合
params, _ = curve_fit(exponential_model, x, y, p0=initial_guess)

a, b, c = params
print(f"指数拟合方程：y = {a:.4f}·e^({b:.4f}x) + {c:.4f}")

# 绘图验证
plt.scatter(x, y, label="原始数据点", alpha=0.6)
plt.plot(x, exponential_model(x, *params), color="blue", linewidth=2, 
         label=f"指数拟合: y={a:.4f}e^({b:.4f}x)+{c:.4f}")
plt.xlabel("Capacity")
plt.ylabel("Power")
plt.legend()
plt.show()

四、评估拟合效果（选做） #

可以用R²值判断拟合的好坏，越接近1说明拟合效果越好：

from sklearn.metrics import r2_score

# 以线性拟合为例
y_pred = linear_model(x)
r2 = r2_score(y, y_pred)
print(f"线性拟合的R²值：{r2:.4f}")

小提示 #

• 先看你画的原始数据图，判断数据趋势是线性、多项式还是其他模型，再选对应的拟合方法
• 如果数据有噪声，可以先做平滑处理（比如用pd.Series(y).rolling(window=3).mean()）再拟合

内容的提问来源于stack exchange，提问作者python33