curve_fit()函数

`curve_fit()`函数是Scipy库中的优化工具，用于非线性最小二乘法拟合数据到一个给定的数学模型[^1]。它接收五个主要参数：

1. `f`: 模型函数，通常是一个定义了待拟合关系的多变量函数。
2. `xdata`: 输入数据的独立变量数组。
3. `ydata`: 输入数据的因变量数组。
4. `p0`: 初始猜测的参数值，如果不提供则默认为None。
5. `sigma` (可选): 数据的标准偏差，用于计算残差的权重。如果不提供，则假定数据无噪声。

这个函数会返回两个结果：拟合后的参数估计值以及相关的统计信息（如残差平方和）。例如，假设我们有高斯分布的数据点，可以这样使用`curve_fit`来拟合高斯函数：

from scipy.optimize import curve_fit
from numpy.random import normal

# 假设我们有一些随机生成的高斯数据
mu, sigma = 10, 2
x = np.linspace(0, 20, 100)
y = normal(mu, sigma, size=len(x))

# 定义高斯函数
def gaussian(x, a, b, c):
    return a * np.exp(-((x - b) / c)**2)

# 使用curve_fit拟合
params, _ = curve_fit(gaussian, x, y, p0=[1, 15, 2])

# 打印拟合结果
print("Fit parameters: a =", params[0], "b =", params[1], "c =", params[2])