使用NumPy Polynomial拟合数据出现异常结果的技术咨询

这是因为numpy.polynomial.Polynomial.fit()方法默认会对输入的自变量x做标准化处理——它会把原始x值映射到[-1, 1]区间，目的是提升高次多项式拟合时的数值稳定性。你看到的多项式系数是基于标准化后的x变量计算的，并非原始x的系数，这就导致了看似矛盾的现象：

• 打印出的2.0 + 2.0x + ...是标准化变量下的多项式表达式
• 调用x.call(0)时，方法会自动将输入的0转换回标准化前的原始坐标计算，所以结果接近0，符合f(x)=x的预期

验证与解决方法 #

1. 查看标准化参数 #

可以通过以下代码查看标准化的区间范围：

print(x.domain)  # 输出原始x的范围：[0. 4.]
print(x.window)  # 输出标准化后的目标范围：[-1. 1.]

2. 关闭标准化，直接拟合原始坐标 #

如果不需要标准化带来的数值优化，调用fit时指定domain=None参数，就能得到基于原始x的系数，和预期的f(x)=x完全一致：

import numpy as np
from numpy.polynomial import Polynomial

x = Polynomial.fit([0,1,2,3,4], [0,1,2,3,4], 4, domain=None)
print(x)
# 输出：0.0 + 1.0 x + 0.0 x² + 0.0 x³ + 0.0 x⁴
print(x.call(0))
# 输出：0.0

3. 保留稳定性，转换回原始坐标系数 #

如果需要保留标准化的数值稳定性，同时想得到原始x对应的多项式系数，可以使用convert方法转换：

orig_poly = x.convert(domain=[0,4])
print(orig_poly)
# 输出接近0.0 + 1.0x的多项式，高次项为极小浮点误差，可忽略

内容的提问来源于stack exchange，提问作者Rick