scipy中curve_fit函数的使用方法

`scipy.optimize.curve_fit` 是 SciPy 库中的一个功能强大的函数，用于非线性最小二乘拟合数据。它基于 Levenberg-Marquardt 算法，适合于估计模型参数以使得实际观测值与理论预测之间的差异（残差）最小化。

以下是 `curve_fit` 函数的一般使用步骤：

1. 导入所需的库：

from scipy.optimize import curve_fit
import numpy as np

2. 定义你要拟合的数据和模型函数。假设你有一个简单的线性模型 `y = a * x + b`：

def model_func(x, a, b):
    return a * x + b

3. 提供你想要拟合的数据（通常是两个数组，一个是自变量 `x_data`，另一个是对应的因变量 `y_data`）：

x_data = np.array([...])  # 输入数据的x轴坐标
y_data = np.array([...])  # 输入数据的y轴坐标

4. 调用 `curve_fit` 函数并传入模型函数、数据和初始猜测参数：

popt, pcov = curve_fit(model_func, x_data, y_data, p0=[guess_a, guess_b])

- `popt` 返回的是最优解参数 (a, b) 的估计值。
- `pcov` 是协方差矩阵，包含了参数之间不确定度的信息。

5. 检查拟合效果：

# 可能返回一个拟合曲线
fit_y = model_func(x_data, *popt)

# 绘制原始数据和拟合结果
plt.scatter(x_data, y_data)
plt.plot(x_data, fit_y, 'r-')