使用Python拟合指数衰减函数：SciPy curve_fit应用遇阻求助

嘿，我来帮你捋捋这个问题～你之前用curve_fit成功拟合指数衰减曲线的代码是完全没问题的，先再贴出来方便参考：

import numpy as np
from scipy.optimize import curve_fit

def func2(t, tau): 
    return np.exp(-t / tau)

# 生成模拟数据
t2 = np.linspace(0, 4, 50)
y2 = func2(t2, 1.2)
y2_noise = 0.2 * np.random.normal(size=t2.size)
y2_curve_noise = y2 + y2_noise

# 执行拟合
popt2, pcov2 = curve_fit(func2, t2, y2_curve_noise)
tau2, = popt2
y2_fit = func2(t2, tau2)

现在你用类似的方法拟合其他数据点却失败了，大概率是下面几个环节出了问题，逐个排查试试：

• 拟合函数和数据趋势不匹配
  你之前用的是指数衰减模型，但新数据可能是线性、多项式、高斯分布或者其他趋势！先把数据画成散点图看看大致形状，再选对应的拟合函数——比如如果是上升趋势，可能要用np.exp(t/tau)；如果是线性，就用a*t + b，别硬套之前的函数。

• 初始参数没给对导致拟合不收敛
  curve_fit默认用全1的初始参数，如果你的数据对应的真实参数和1差得很远，算法可能找不到最优解。这时候可以手动指定初始参数p0，比如你观察数据觉得衰减常数大概是5，就这么写：

  popt, pcov = curve_fit(你的拟合函数, t_data, y_data, p0=[5])
  

• 数据里有异常值或者量级问题

  • 如果数据里有明显的离群点，要么先清洗掉（比如用3σ原则剔除），要么给curve_fit加sigma参数指定每个点的权重，或者开启absolute_sigma=True让算法更关注靠谱的数据点。
  • 如果自变量和因变量的量级差太大（比如t从0到1000，y从0.001到1），试试先归一化数据：把t除以最大值，y也缩放成0到1的范围，拟合完再把参数转换回原来的量级。

• 拟合函数的参数顺序搞错了
  一定要注意：curve_fit要求拟合函数的第一个参数必须是自变量，后面的才是要拟合的参数。要是你把参数顺序写反了（比如写成func(tau, t)），那拟合结果肯定完全不对。

• 检查协方差矩阵pcov的反馈
  拟合结束后看看pcov的值，如果对角线元素特别大甚至是inf，说明拟合没收敛，这时候就得回到前面的步骤调整函数、初始参数或者数据了。

内容的提问来源于stack exchange，提问作者wigging