如何在同一幅图中用指定指数方程拟合多组CSV数据并绘制曲线

依赖库 #

• numpy
• pandas
• matplotlib
• scipy

完整实现代码 #

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

# 自定义拟合函数
def func(x, a, c):
    return a - 1/2 * np.exp(-(x - 1)/c)

# 配置参数
csv_list = ["10.csv", "20.csv", "30.csv", "40.csv", "50.csv"]
# 自定义配色，区分不同组数据
color_list = ["#1f77b4", "#ff7f0e", "#2ca02c", "#d62728", "#9467bd"]
# 生成拟合用的平滑x序列，保证曲线显示效果
x_smooth = np.linspace(1, 100, 500) # 可根据实际x的取值范围调整上下限

plt.figure(figsize=(10, 6), dpi=100)

# 遍历处理每组数据
for idx, csv_name in enumerate(csv_list):
    # 读取CSV，无表头场景默认按索引取列
    df = pd.read_csv(csv_name, header=None)
    x = df.iloc[:, 1].values
    y = df.iloc[:, 2].values
    
    # 拟合求解参数
    popt, _ = curve_fit(func, x, y)
    a, c = popt
    # 计算拟合优度R²，不需要可删除
    y_fit_raw = func(x, *popt)
    ss_res = np.sum((y - y_fit_raw) ** 2)
    ss_tot = np.sum((y - np.mean(y)) ** 2)
    r2 = 1 - (ss_res / ss_tot)
    
    # 绘制原始散点
    plt.scatter(x, y, color=color_list[idx], s=15, alpha=0.6, label=f"{csv_name} 原始数据")
    # 绘制拟合曲线，直接在图例中标注c参数值
    y_fit_smooth = func(x_smooth, *popt)
    plt.plot(x_smooth, y_fit_smooth, color=color_list[idx], linewidth=2, label=f"{csv_name} 拟合曲线 (c={c:.2f}, R²={r2:.3f})")

# 图表美化配置
plt.xlabel("自变量x", fontsize=12)
plt.ylabel("精度值y", fontsize=12)
plt.legend(fontsize=10)
plt.grid(alpha=0.3)
plt.show()

注意事项 #

• 如果拟合出现不收敛报错，可给curve_fit添加初始值参数，例如popt, _ = curve_fit(func, x, y, p0=[0.9, 5])，p0的两个值分别对应a和c的初始猜测值，可根据实际数据范围调整
• 若CSV文件带表头，需删除pd.read_csv中的header=None参数，改为按列名取数即可
• x_smooth的取值范围可根据实际x的最小、最大值调整，保证曲线覆盖全部数据区间

内容的提问来源于stack exchange，提问作者Codeholic