使用scipy曲线拟合的Python拟合无法正常工作

我似乎在将函数拟合到我的数据时遇到了问题。也许有人能帮我

数据：

功能：#也被称为蠕虫链模型，适用于对其感兴趣的人

def func(x,L,P): 
    return (((1.381*10**(-2)) * 295.15)/P) * (1/(4*((1-x/L)**2)) +x/L -1/4)

#Fitting function to data: 
#CurveFittingBlackMagic 
initialGuess = [50,1.0] 
popt, pcov = curve_fit(func,xRange,yRange, initialGuess ,maxfev=1000000000) 
print(popt) 
print(pcov) 
xFit = np.arange(0.0, 200, 0.01) 
plt.plot(xFit, func(xFit,*popt),'r', label = 'fit params: L=%5.3f, P=%5.3f'%tuple(popt))

plt.ylim(-20, 150) plt.xlim(-20, 200)

#Plotting Data plt.plot(xValues,yValues)

plt.show()

这就产生了图中所示的结果，这显然是胡说八道，但我不明白为什么。如果有人能指出我的错误，那就太棒了；）

---

对于感兴趣的人。将函数的泰勒展开式拟合到10阶确实有效，并且给出了足够好的函数近似值。

对于感兴趣的人来说。将函数的泰勒展开式拟合到第10阶确实有效，并给出了足够好的函数近似值。

通过检查，您的数据看起来像一个线性函数y（x）=ax+b。图上的蓝线。通过线性最小均方回归计算的系数：

考虑到高分散性，我们认为非线性模型是非常不确定的。计算非线性模型中的参数可能会导致不一致的结果

---

事实上，你的非线性函数可能在小范围内接近线性函数64通过检查，你的数据看起来像线性函数y（x）=ax+b。图上的蓝线。通过线性最小均方回归计算的系数：

考虑到高分散性，我们认为非线性模型是非常不确定的。计算非线性模型中的参数可能会导致不一致的结果

---

事实上，你的非线性函数很可能在小范围内接近线性函数。你可以考虑格式化你的问题，所以它实际上是清晰的。我会说你的初始猜测是错的。定义了发散点。看看你的数据的形状，我想它一定在右边。你把它放在左边。chi^2最小化永远不会把它推到另一边。（200，1）应该有效。@Johan.谢谢，但遗憾的是，更改np.arange不起作用work@mikuszefski：是的，由于我不知道参数，最初的猜测并不精确。数据应该在散度的左侧，因此（200,1）也不起作用。不过还是谢谢你。我会尝试泰勒这个该死的函数，看看我是否能得到一个相当好的近似值。我在这里合身了，看起来还不错。最终，我得到了类似（107，0.14）的拟合结果。这几乎与最初的猜测无关，只要我考虑格式化你的问题，那么它实际上是清晰的，我会说你最初的猜测是错的。定义了发散点。看看你的数据的形状，我想它一定在右边。你把它放在左边。chi^2最小化永远不会把它推到另一边。（200，1）应该有效。@Johan.谢谢，但遗憾的是，更改np.arange不起作用work@mikuszefski：是的，由于我不知道参数，最初的猜测并不精确。数据应该在散度的左侧，因此（200,1）也不起作用。不过还是谢谢你。我会尝试泰勒这个该死的函数，看看我是否能得到一个相当好的近似值。我在这里合身了，看起来还不错。最终，我得到了类似（107，0.14）的拟合结果。这几乎与最初的猜测无关，只要我稍微大一点，你有没有按照mikuszefski的建议尝试使用

initialGuess=[107,0.14]

？或者使用

initialGuess=[100，1]

哪个应该收敛到类似的值？是的，我将泰勒拟合的结果输入到percise拟合的起始值中，它工作了。Johan，也谢谢你的帮助。你有没有按照mikuszefski的建议尝试使用

initialGuess=[107,0.14]

？或者使用

initialGuess=[100，1]

哪个应该收敛到类似的值？是的，我将泰勒拟合的结果输入到percise拟合的起始值中，它工作了。约翰，也谢谢你的帮助。

def func(x,L,P): 
    return (((1.381*10**(-2)) * 295.15)/P) * (1/(4*((1-x/L)**2)) +x/L -1/4)

#Fitting function to data: 
#CurveFittingBlackMagic 
initialGuess = [50,1.0] 
popt, pcov = curve_fit(func,xRange,yRange, initialGuess ,maxfev=1000000000) 
print(popt) 
print(pcov) 
xFit = np.arange(0.0, 200, 0.01) 
plt.plot(xFit, func(xFit,*popt),'r', label = 'fit params: L=%5.3f, P=%5.3f'%tuple(popt))

plt.ylim(-20, 150) plt.xlim(-20, 200)

#Plotting Data plt.plot(xValues,yValues)

plt.show()