linear least squares (LLS) curve fitting problem

最小二乘法（Linear Least Squares, LLS）曲线拟合是统计学中常用的一种方法，它试图找到一条直线或其他简单的数学函数，使得实际观测点到这条函数的垂直距离（误差）平方和最小[^1]。在VC++的示例程序中，`np.polyfit()`函数通常用于执行一元线性回归，它会计算一组x和y值的最佳线性关系参数[^2]。如果遇到错误，比如因为数据中存在`NaN`（Not a Number）或`inf`（Infinity），这些非数值值会导致拟合失败，解决办法通常是清理数据，移除或替换这些异常值。

具体操作流程可以是这样：

1. 定义输入数据集`(x, y)`。
2. 使用`np.isnan()`检查并移除含有`NaN`的元素，例如：

   x_clean = x[~np.isnan(y)]
   y_clean = y[~np.isnan(y)]

3. 如果仍有异常值，尝试转换或替换它们。如果允许的话，可以使用平均值、中位数或者其他合适的策略代替。
4. 使用清理后的数据调用`np.polyfit()`：

   parameter = np.polyfit(x_clean, y_clean, 1)

5. 创建并绘制拟合的直线：

f = np.poly1d(parameter)
# 可能需要进一步的绘图库如matplotlib
plt.plot(x, y, 'o', x_clean, f(x_clean), '-')