Python：scipy curve_fit高X值曲线拟合失效问题求助

问题根源 #

当X值处于500-860这类大区间时，np.exp(-c*x)会快速趋近于0，引发两个核心问题：

• 函数对参数c的敏感度极低，优化器无法通过微小参数调整获得有效残差变化，难以收敛到正确值
• 默认初始参数[1,1,1]完全不符合高X数据的趋势，优化器极易陷入局部最优或无法收敛

同时，高X值带来的数值量级差异，也会导致拟合过程中的数值不稳定。

解决方案 #

1. 提供匹配数据趋势的初始参数猜测 #

根据你的高X数据特征：

• X越大，Y越趋近于最小值0.21，因此a的初始值可设为0.2
• X最小时Y达到23.97，b的初始值可设为23.97 - 0.2 = 23.77
• c为正数，且因X量级大，c的取值需很小（比如0.001）

2. 对X数据进行缩放 #

将X值除以合适系数（如100），降低指数部分的数值量级，避免exp(-c*x)快速下溢为0，提升拟合稳定性。

改进后的代码 #

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

low_x_values = [3.139, 2.53, 0.821, 0.27]
high_x_values = [859.8791936328762, 805.5080517453312, 639.2578427310567, 496.3622821767497]

list_x = high_x_values
list_y = [0.21, 0.49, 1.56, 23.97]

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

# 对X数据缩放，降低指数项量级
scaled_x = np.array(list_x) / 100
# 设置贴合数据趋势的初始参数
p0 = [0.2, 24, 0.1]

list_line_info, pcov = curve_fit(func_exp, scaled_x, list_y, p0=p0, maxfev=100000)

# 绘图时还原X的原始量级
plot_x = np.linspace(min(list_x), max(list_x), 1000)
scaled_plot_x = plot_x / 100
plot_y = list_line_info[0] + list_line_info[1] * np.exp(-list_line_info[2] * scaled_plot_x)

plt.plot(plot_x, plot_y, linestyle='-', color='orangered', label='拟合曲线')
plt.plot(list_x, list_y, linestyle='--', color='dodgerblue', label='原始数据')
plt.scatter(list_x, list_y, color='black', zorder=2)
plt.grid()
plt.legend()
plt.show()

3. 可选：重新参数化模型 #

也可以直接修改模型，把c替换为k/100，省去手动缩放数据的步骤：

def func_exp_scaled(x, a, b, k):
    return a + (b * np.exp(-k * x / 100))

p0 = [0.2, 24, 0.1]
list_line_info, pcov = curve_fit(func_exp_scaled, np.array(list_x), list_y, p0=p0, maxfev=100000)

效果验证 #

改进后，拟合曲线会贴合高X数据的趋势：X增大时Y趋近于0.2，X减小时Y快速上升至23.97，彻底解决原拟合失效的问题。

内容的提问来源于stack exchange，提问作者Fish1996