Optimization 大型数据集的曲线拟合

现在，我正试图将一条曲线拟合到一大组数据中；有两个数组，x和y，每个数组有352个元素。我对数据拟合了一个多项式，效果很好：

import numpy as np
import matplotlib.pyplot as plt
coeff=np.polyfit(x, y, 20)
coeff=np.polyfit(x, y, 20)
poly=np.poly1d(coeff)

但我需要一个更精确的优化曲线，所以我一直在尝试用scipy拟合曲线。以下是我目前掌握的代码：

import numpy as np
import scipy
from scipy import scipy.optimize as sp
coeff=np.polyfit(x, y, 20)
coeff=np.polyfit(x, y, 20)
poly=np.poly1d(coeff)
poly_y=poly(x)
def poly_func(x): return poly(x)
param=sp.curve_fit(poly_func, x, y)

但它的回报是：

ValueError: Unable to determine number of fit parameters.

---

我怎样才能让它工作？（或者如何将曲线拟合到此数据？

拟合函数没有意义，它不需要任何参数来拟合

曲线拟合使用非线性优化器，需要对拟合参数进行初始猜测。

---

如果没有给出猜测，它会尝试通过内省来确定参数的数量，而内省对您的函数来说是失败的，并将它们设置为一个（这是您几乎永远不会想要的）。

为什么您认为非线性最小二乘法会为多项式模型（这是线性的）提供更精确的结果？线性结果是最小二乘意义上的最佳拟合。使用非线性方法获得线性模型的最小二乘拟合只需要更长的时间，并且不能保证返回良好的拟合。。。除此之外，为什么要拟合20阶多项式？该模型对您的数据有意义吗？（如果是这样，出于模糊的curosity，你的数据到底是什么？）你想做样条插值，而不是让多项式模型适合你的数据吗？（也就是说，你想要的是准确地通过每个点但不适合单个数学模型的东西，还是想要找到最能再现数据的特定数学模型的参数？）？