拟合区间变化引发的线性拟合斜率误差高效计算方法问询

核心优化逻辑是利用线性回归斜率的解析公式，通过前缀和预计算把单区间拟合的耗时从O(n)降到O(1)，整体复杂度从暴力方法的O(n³)直接降到O(n²)，对于250个点的场景完全没有性能压力。

具体实现步骤 #

• 第一步：预计算前缀和数组
  假设数据点按索引1~N排列（N=250），第i个点对应(t_i, y_i)，预先计算4个前缀和数组，初始值均为S_*[0] = 0：

  • S_t[i] = S_t[i-1] + t_i：前i个点的t值累加和
  • S_y[i] = S_y[i-1] + y_i：前i个点的y值累加和
  • S_ty[i] = S_ty[i-1] + t_i * y_i：前i个点的t与y乘积的累加和
  • S_t2[i] = S_t2[i-1] + t_i ** 2：前i个点的t平方累加和

• 第二步：遍历所有区间计算偏差
  遍历所有有效区间（至少包含2个点），按线性回归的斜率解析公式直接计算，不需要重复遍历区间内的点：

  reference_k = 3.74e-4
  # 遍历左端点
  for a in range(1, N+1):
      # 遍历右端点，区间长度至少为2
      for b in range(a+1, N+1):
          n = b - a + 1
          sum_t = S_t[b] - S_t[a-1]
          sum_y = S_y[b] - S_y[a-1]
          sum_ty = S_ty[b] - S_ty[a-1]
          sum_t2 = S_t2[b] - S_t2[a-1]
          denominator = n * sum_t2 - sum_t ** 2
          if denominator == 0:
              continue # 极端异常情况，所有t值相同无拟合意义
          fit_k = (n * sum_ty - sum_t * sum_y) / denominator
          # 按需计算绝对偏差或相对偏差
          abs_bias = abs(fit_k - reference_k)
          rel_bias = abs_bias / reference_k
  

• 第三步：等间隔采样额外优化
  如果你的数据是等间隔采样的，即t_i = 初始值 + 采样间隔 * 索引，可以直接用索引代替t值计算斜率，最后再按采样间隔做缩放即可，不需要存储t相关的前缀和，直接用等差数列求和公式计算sum_t、sum_t2，速度还能再提升。

性能说明 #

250个点的有效区间总共只有250*249/2=31125次计算，普通CPU毫秒级就能跑完，完全不存在效率问题。

内容的提问来源于stack exchange，提问作者Gundro