Python实现已知部分系数的曲线拟合（二次多项式已知b、c求a）

二次多项式单参数优化最简方案 #

你当前的场景仅需优化单个参数a，可以直接使用无截距项的最小二乘解析解，无需调用复杂拟合库，计算效率最高：

import numpy as np

# 输入你的数据集
X = np.array([1, 2, 3, 4, 5])
Y = np.array([5.2, 12.1, 22.8, 37.5, 56.2])
# 填入已知的固定系数b、c
b_fixed = 2
c_fixed = 1

# 转换变量消去固定项的影响
y_transformed = Y - b_fixed * X - c_fixed
x_transformed = X ** 2

# 直接计算最优a（最小二乘解析解）
a_opt = np.sum(x_transformed * y_transformed) / np.sum(x_transformed ** 2)

# 生成拟合结果
y_fit = a_opt * X**2 + b_fixed * X + c_fixed
print(f"最优系数a：{a_opt}")

通用多系数固定多项式拟合方案 #

如果是更高次多项式、固定任意多个系数的场景（比如你提到的5次多项式拟合需求），可以通过构造设计矩阵调用numpy.linalg.lstsq实现，无需依赖curve_fit类迭代拟合方法：

import numpy as np

def polyfit_with_fixed_coeffs(X, Y, degree, fixed_coeffs):
    """
    带固定系数的多项式拟合工具
    参数说明：
        X: 自变量数组
        Y: 因变量数组
        degree: 多项式最高次数
        fixed_coeffs: 字典，key为系数对应的幂次，value为固定值
                     例：二次多项式固定b（x^1的系数）和c（x^0的系数），传入{1:2, 0:1}
    返回值：
        完整多项式系数数组，按幂次从高到低排列，和numpy.polyfit返回格式一致
    """
    # 计算所有固定项的贡献和
    fixed_sum = np.zeros_like(Y)
    for power, val in fixed_coeffs.items():
        fixed_sum += val * (X ** power)
    # 消去固定项后得到待拟合的Y值
    Y_transformed = Y - fixed_sum
    # 提取所有待求解的自由项幂次，构造设计矩阵
    free_powers = [p for p in range(degree+1) if p not in fixed_coeffs]
    A = np.vstack([X**p for p in free_powers]).T
    # 最小二乘求解自由系数
    coeffs_free, _, _, _ = np.linalg.lstsq(A, Y_transformed, rcond=None)
    # 组装完整系数
    full_coeffs = np.zeros(degree+1)
    for p, val in fixed_coeffs.items():
        full_coeffs[p] = val
    for idx, p in enumerate(free_powers):
        full_coeffs[p] = coeffs_free[idx]
    # 按幂次从高到低返回
    return full_coeffs[::-1]

# 二次场景测试调用
coeffs = polyfit_with_fixed_coeffs(X, Y, degree=2, fixed_coeffs={1:2, 0:1})
# 返回的coeffs[0]为x²系数a，coeffs[1]为固定的b，coeffs[2]为固定的c

以上方案为解析解，不存在迭代拟合的收敛问题，速度远高于自定义函数的迭代拟合方法，完全适配你无法使用scipy.optimize.curve_fit的需求。

内容的提问来源于stack exchange，提问作者Fred Esch