我正在尝试将一系列数据拟合到指数方程中，我在这里找到了一些很好的答案:How to do exponential and logarithmic curve fitting in Python? I found only polynomial fitting但它没有包含我解决这个问题所需的进一步步骤。
我正在尝试将 y 和 x 拟合到一个方程:y = -AeBx + A。最后的A已被证明是一个大麻烦，我不知道如何转换方程，如log(y) = log(A) + Bx 就好像最后的 A 不存在一样。
感谢任何帮助。
最佳答案
只要你的方程不是太疯狂，你总是可以使用scipy.optimize.curve_fit:
import matplotlib.pyplot as plt
import numpy as np
import scipy.optimize as sio
def f(x, A, B):
return -A*np.exp(B*x) + A
A = 2
B = 1
x = np.linspace(0,1)
y = f(x, A, B)
scale = (max(y) - min(y))*.10
noise = np.random.normal(size=x.size)*scale
y += noise
fit = sio.curve_fit(f, x, y)
plt.scatter(x, y)
plt.plot(x, f(x, *fit[0]))
plt.show()
这会产生:
关于python - 如何用 numpy 拟合特定的指数函数，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/53273033/