x = t 是 1500的矩阵， y = temp 是 13的矩阵，z = cap是5003的矩阵，公式为100-exp(a+blog(x)-c/(y +150)) = z,如何用python拟合出一个曲面

可以使用Python中的SciPy库中的optimize.curve_fit函数来拟合这个曲面。该函数需要传入要拟合的函数及其参数的初始值和实际数据，然后返回拟合的参数值。

以下是一个示例代码，可以供参考：

import numpy as np
from scipy import optimize

# 定义要拟合的函数
def func(x, a, b, c, d):
    return 100 - np.exp(a + b * np.log(x) - c / (d + 150))

# 定义初始值
init_values = [1.0, 1.0, 1.0, 1.0]

# 数据
x = np.array([[t] for t in range(1, 1501)])
y = np.array([[0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0, 1.1, 1.2, 1.3]])

z = np.zeros((1500, 13))
for i in range(1500):
    for j in range(13):
        z[i][j] = 100 - np.exp(init_values[0] + init_values[1] * np.log(x[i]) - init_values[2] / (y[0][j] + 150))

# 拟合
params, _ = optimize.curve_fit(func, x, z, p0=init_values)

print(params)

在上面的代码中，首先定义了要拟合的函数func，它接受一个变量x、三个参数a、b、c和一个常数d。然后，定义了初始值init_values、数据x、y和z。接下来，使用optimize.curve_fit函数进行拟合，传入func、x、z和初始值init_values，返回params，即拟合出的参数值。

需要注意的是，optimize.curve_fit函数要求传入的数据必须是一维数组或二维数组，因此在定义x和y时需要使用reshape函数将其转换为二维数组。此外，由于y是一个1*13的矩阵，因此在计算z时需要使用循环将每个y值都计算出来。