基于Python实现二次函数拟合预测全球温度变化（附CSV数据源）

以下是将你的测试代码适配到实际全球温度数据的完整方案，包含数据读取、二次拟合和可视化：

步骤说明 #

• 数据读取：从共享表格加载年份与温度变化数据，用pandas简化数据处理
• 二次拟合：保留你原有的矩阵求逆方法计算拟合参数，也可使用更简洁的numpy.polyfit
• 可视化：调整坐标轴范围为实际年份区间，添加图表标签提升可读性

完整代码 #

import numpy as np
from numpy.linalg import inv
import matplotlib.pyplot as plt
import pandas as pd

# 读取实际全球温度数据（转换共享表格链接为CSV导出格式）
url = "https://docs.google.com/spreadsheets/d/1QbFIUE1AcFCOgDZH5K2vPColxXeBVDV-sJhS9On2BYY/export?format=csv"
df = pd.read_csv(url)

# 提取自变量x（年份）和因变量y（温度变化）
x = df["Year"].values
y = df["Temperature Anomaly (°C)"].values
m = len(x)

# 二次拟合计算参数
# 构造设计矩阵X（包含常数项、x、x²）
X = np.transpose([np.ones(m), x, x ** 2])
# 计算拟合参数theta
theta = inv(np.transpose(X) @ X) @ np.transpose(X) @ y

# 可选：用numpy内置polyfit简化计算（结果与矩阵方法一致）
# theta = np.polyfit(x, y, 2)[::-1]  # 反转顺序匹配[常数项, x系数, x²系数]

# 生成拟合曲线的预测点
xp = np.arange(min(x), max(x) + 1, 0.1)
yp = theta[0] + theta[1] * xp + theta[2] * xp ** 2

# 可视化训练样本与拟合曲线
plt.figure(figsize=(10, 6))
plt.scatter(x, y, color='blue', label='实际温度数据')
plt.plot(xp, yp, color='red', linewidth=2, label=f'二次拟合曲线: y = {theta[0]:.4f} + {theta[1]:.4f}x + {theta[2]:.4f}x²')
plt.xlabel('年份')
plt.ylabel('温度异常值(°C)')
plt.title('全球温度变化的二次函数拟合')
plt.legend()
plt.grid(True)
plt.show()

关键修改点 #

• 替换随机数据生成逻辑，改为读取真实CSV数据
• 调整拟合曲线的x轴范围为实际年份区间，避免无意义的负数年份
• 添加图表标签、标题和图例，提升可视化效果
• 提供了numpy.polyfit的简化实现选项，两种方法拟合结果一致

内容的提问来源于stack exchange，提问作者Jake Protagonist