Python 3.9指数曲线拟合求助：拟合曲线平行于X轴

你的核心错误是指数拟合公式代入时搞反了回归系数的对应关系，另外还存在冗余变量定义（log_x_data未实际使用）。

正确的指数拟合逻辑 #

指数模型的标准形式为：

y = a * e^(b*x)

对两边取自然对数后，转化为可线性拟合的形式：

ln(y) = ln(a) + b*x

使用np.polyfit(origin_x, log_y_data, 1)得到的结果是**[斜率b，截距ln(a)]**——第一个值是指数项的系数b，第二个值是常数项a的对数ln(a)。

你的错误点 #

你代入公式时完全颠倒了两个系数的作用：

• 错误公式：y = np.exp(0.02170385) * np.exp(1.71716332*origin_x)
  这里把斜率b（0.0217）当成了ln(a)，把截距ln(a)（1.717）当成了b。这种错误会导致指数部分的系数过大，计算出的y值会远超浮点数范围（比如x=96时，1.717*96≈164.8，exp(164.8)是天文数字），绘图时因超出显示范围被压缩成平线。

1. 修正公式代入 #

按照正确的系数对应关系计算拟合曲线：

# 你的拟合结果
b, ln_a = 0.02170385, 1.71716332
# 正确的指数拟合公式
y_fit = np.exp(ln_a) * np.exp(b * origin_x)

2. 完整正确代码示例 #

import numpy as np

# 确保原始数据为numpy数组
origin_x = np.array([10, 11, 12, ..., 96])
origin_y = np.array([6.366, 6.548, 6.734, ..., 41.95])

# 转换为线性拟合所需变量
log_y_data = np.log(origin_y)

# 线性拟合得到[b, ln(a)]
curve_fit = np.polyfit(origin_x, log_y_data, 1)
b, ln_a = curve_fit

# 计算拟合曲线
y_fit = np.exp(ln_a) * np.exp(b * origin_x)

# 绘图验证（可选）
import matplotlib.pyplot as plt
plt.scatter(origin_x, origin_y, label='原始数据')
plt.plot(origin_x, y_fit, 'r-', label='拟合曲线')
plt.legend()
plt.show()

3. 额外建议：直接用scipy.curve_fit拟合指数模型 #

既然你提到了scipy.curve_fit，可以直接拟合原始形式的指数函数，避免对数转换可能带来的误差（比如y值为0或负数的情况）：

from scipy.optimize import curve_fit
import numpy as np

# 定义指数模型
def exp_model(x, a, b):
    return a * np.exp(b * x)

# 拟合原始数据
popt, _ = curve_fit(exp_model, origin_x, origin_y)
a_fit, b_fit = popt

# 生成拟合曲线
y_fit = exp_model(origin_x, a_fit, b_fit)

内容的提问来源于stack exchange，提问作者KaradiMadi