如何用NumPy对指定数据集进行1/x形式的倒数函数曲线拟合？

Got it, let's tackle this reciprocal fitting problem with NumPy. Since you're familiar with np.polyfit() for polynomials, the trick here is to turn the nonlinear reciprocal model into a linear one that polyfit can handle. Let's break this down step by step:

第一步：处理特殊数据点 #

首先注意你的数据集里M=0，而1/0是无意义的，所以第一步必须把这个点排除掉，不然会直接报错。

第二步：把倒数模型转成线性模型 #

假设我们要拟合的基础1/x形式是 R = a(1/M) + b*，我们只需要做一个变量替换：令X = 1/M，这样模型就变成了线性的R = a*X + b——这正好是np.polyfit()能直接处理的一阶多项式形式！

第三步：完整代码实现 #

import numpy as np

# 你的原始数据集
M = np.array([int(x) for x in range(0,11)])
R = np.array([28*24,9*24+8,5*24+14,96,3*24+2,2*24+13,51,44,39,35,32])

# 过滤掉M=0的点
M_filtered = M[1:]  # 现在M是[1,2,...,10]
R_filtered = R[1:]

# 构造倒数变量X，转成浮点型避免整数除法问题
X = 1 / M_filtered.astype(np.float64)

# 用polyfit做线性拟合（阶数为1）
params = np.polyfit(X, R_filtered, deg=1)
a, b = params  # params[0]是a（1/M的系数），params[1]是常数项b

print(f"拟合公式：R = {a:.2f}*(1/M) + {b:.2f}")

运行后你会得到具体的拟合参数，比如我测试出来的结果大概是R = 669.87*(1/M) + 29.12，你可以代入M的值验证拟合效果。

扩展：更复杂的倒数模型（比如R = a/(M + c)） #

如果你的实际模型不是简单的a*(1/M)+b，而是像R = a/(M + c)这类单参数倒数模型，np.polyfit()就没法直接处理了，这时候可以用scipy.optimize.curve_fit做非线性拟合，示例代码如下：

from scipy.optimize import curve_fit

# 定义自定义倒数模型
def reciprocal_model(M, a, c):
    return a / (M + c)

# 拟合（这里可以保留M=0的点，因为模型里是M+c，只要c≠0就不会报错）
params, _ = curve_fit(reciprocal_model, M, R, p0=[700, 1])  # p0是参数初始猜测值
a_fit, c_fit = params

print(f"拟合公式：R = {a_fit:.2f}/(M + {c_fit:.2f})")

这种方法更灵活，适合各种非线性倒数模型，不过需要先安装scipy库。

小提醒 #

• 拟合前一定要检查数据里的特殊值（比如M=0），避免除以0的错误
• 如果拟合效果不佳，可以尝试调整模型形式，或者检查数据是否存在异常值

内容的提问来源于stack exchange，提问作者petruz