兄弟，你的问题根本不是curve_fit用错了，而是绘制拟合曲线时的参数传反了！

问题根源 #

看你代码里的这一行：

plt.plot(index_list, power_law(freq_list, *popt))

你把freq_list（也就是原始数据的Y值）当成了幂律函数的输入自变量x，但实际上幂律模型a*x^(-b)的自变量应该是index_list（原始数据的X轴索引）。把Y值当成X代入计算，相当于强行交换了X和Y的角色，结果自然就出现了镜像/扭曲的曲线。

修正方法 #

只需要把拟合曲线的绘制代码改成用index_list作为power_law的输入即可，同时可以优化细节让图表更清晰：

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

f = open("input.txt", "r")
index_list = []
freq_list = []
index = 0
for line in f:
    split_line = line.split()
    freq_list.append(int(split_line[1]))
    index_list.append(index)
    index += 1

# 转成numpy数组，让curve_fit运算更稳定
index_array = np.array(index_list)
freq_array = np.array(freq_list)

# 绘制原始数据双对数图
plt.loglog(index_array, freq_array, label="原始数据")

def power_law(x, a, b):
    return a * np.power(x, -b)

# 执行拟合
popt, pcov = curve_fit(power_law, index_array, freq_array)
# 用正确的自变量index_array计算拟合曲线
plt.loglog(index_array, power_law(index_array, *popt), 'r--', label=f"拟合曲线: a={popt[0]:.2f}, b={popt[1]:.2f}")

plt.legend()
plt.xlabel("Index")
plt.ylabel("Frequency")
plt.show()

额外优化建议 #

• 把列表转成numpy数组给curve_fit，运算效率更高，也能避免潜在的列表运算问题
• 给曲线加图例、坐标轴标签，让图表可读性更强
• 如果拟合收敛效果不好，可以给curve_fit加初始参数p0，比如p0=[np.max(freq_array), 1]，帮助算法更快锁定最优解

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