使用matplotlib绘制散点图后如何获取指数型最佳拟合函数

方案1：使用scipy.optimize.curve_fit做非线性最小二乘拟合（推荐，精度最高） #

这是最通用的非线性拟合方案，直接基于原始数据做最小二乘优化，不需要对数据做变换，适配几乎所有指数模型形式，得到的是全局最优参数。
操作逻辑：

• 自定义你的指数函数形式，常用基础形式为y = a * np.exp(b * x) + c，无截距场景可简化为y = a * np.exp(b * x)
• 传入x、y原始数据调用拟合接口，直接得到最优参数
  示例代码片段：

import numpy as np
from scipy.optimize import curve_fit

# 自定义指数模型，可根据你的数据特征调整形式
def exp_func(x, a, b, c):
    return a * np.exp(b * x) + c

# x_data、y_data为你的原始散点数据
popt, _ = curve_fit(exp_func, x_data, y_data)
# popt依次存储a、b、c的最优拟合参数，直接代入exp_func即可得到拟合函数
a, b, c = popt

方案2：对数变换后做线性回归（轻量简化方案） #

如果你的数据符合无截距的基础指数模型y = a * np.exp(b * x)，且所有y值均为正数，可以通过对数变换将非线性关系转为线性关系，用普通线性回归拟合后再还原参数：

• 对等式两边同时取自然对数，得到ln(y) = ln(a) + b * x
• 以x为自变量、ln(y)为因变量做线性回归，得到的斜率为b，截距为ln(a)，取指数后得到a
  注意：该方案仅适用于误差服从对数正态分布的场景，若原始数据误差为正态分布，拟合得到的参数不是全局最优，精度低于方案1。

方案3：使用numpy.polyfit拟合 #

和方案2逻辑一致，仅调用接口不同，直接对变换后的ln(y)做1次多项式拟合即可：

# 仅适用于无截距的基础指数模型，且y_data所有值为正
log_y = np.log(y_data)
z = np.polyfit(x_data, log_y, 1)
b = z[0]
a = np.exp(z[1])

拟合注意事项 #

• 拟合前建议先清洗异常值，异常值对指数拟合的影响远高于线性拟合
• 如果单指数模型拟合效果差，可调整函数形式，比如增加常数项、使用双指数模型y = a * np.exp(b * x) + c * np.exp(d * x)适配更复杂的分布
• 可通过计算拟合结果的R²、残差平方和评估拟合效果，选择最优的模型形式

内容的提问来源于stack exchange，提问作者Neetu