我现在有三茬作物干重的数据，一茬日序数112-140，二茬日序数161-185，三茬日序数256-287，我现在有这三茬通过EU模型模拟的每一天的干重数据以及有132条实测干重数据，取出96条EU模型模拟的数据和实测数据进行拟合，生成一个新模型，将剩余的其他模拟数据填充到新模型中，生成real值，怎么实现数据拟合python？

在Python中实现数据拟合的常用库是SciPy和NumPy，可以使用其中的curve_fit函数来进行拟合。

首先，将实际数据和EU模型模拟数据合并到一个数据集中，然后使用curve_fit函数来生成一个新模型。具体步骤如下：

1. 导入所需的库

import numpy as np
from scipy.optimize import curve_fit

2. 定义拟合函数

根据数据的特点，选择一个适当的函数进行拟合。比如，可以选择一次或二次多项式函数：

def func(x, a, b, c):
    return a * x ** 2 + b * x + c

3. 准备数据

将实际数据和EU模型模拟数据合并到一个数据集中，并将数据分为拟合数据和待预测数据两部分。

data = np.concatenate((sim_data, real_data), axis=0)
fit_data = data[:96]
predict_data = data[96:]

4. 进行拟合

使用curve_fit函数进行拟合，并得到拟合的参数：

x = np.arange(1, 97)
popt, pcov = curve_fit(func, x, fit_data)

5. 进行预测

使用拟合得到的参数，对待预测数据进行预测，得到新模型的预测结果：

x = np.arange(97, 133)
real_value = func(x, *popt)

6. 结果展示

将预测结果展示出来，可以使用Matplotlib库进行数据可视化。

import matplotlib.pyplot as plt

plt.plot(x, real_value, 'r-', label='Real Value')
plt.scatter(x, predict_data, s=10, c='b', label='Predict Value')
plt.legend(loc='upper left')
plt.show()

以上就是使用Python进行数据拟合的一个简单的流程，你可以根据具体的数据特点和拟合需求，选择合适的拟合函数和拟合方法。