Python 如何用指数曲线拟合数据

我的项目有点小问题，因为我有一组数据，我绘制它以得到两条曲线，我想用指数曲线拟合这个曲线

我看了这篇帖子：。 但我的例子有点不同

这是我从数据中得到的：

我的脚本如下：

mask_G = np.bitwise_and( tbdata['G'] < 99.99, tbdata['GERR'] < 0.2)
mask_R = np.bitwise_and( tbdata['R'] < 99.99, tbdata['RERR'] < 0.2)

G_corrected = tbdata[mask_G]
R_corrected = tbdata[mask_R]


fig13 = plt.gcf()
fig13.set_size_inches(16, 9)


fig13, (ax1,ax2) = plt.subplots(1,2)

fig_error_g = ax1.plot(G_corrected['G'], G_corrected['GERR'], '.')
ax1.set_xlabel('G')
ax1.set_ylabel('GERR')
ax1.set_title('Evolution de GERR en fonction de G')

fig_error_r = ax2.plot(R_corrected['R'], R_corrected['RERR'], '.')
ax2.set_xlabel('R')
ax2.set_ylabel('RERR')
ax2.set_title('Evolution de RERR en fonction de R')

fig13.tight_layout() 

plt.savefig('graphique.png')

plt.show()

但我得到：

/home/user/enthught/Canopy_64bit/user/lib/python2.7/site packages/scipy/optimize/minpack.py:601:optimize警告：无法估计参数的协方差
类别=警告）

你知道我怎么处理吗

非常感谢；）

编辑：

我试着把我的情节安排成这样：

mask_G = np.bitwise_and( tbdata['G'] < 99.99, tbdata['GERR'] < 0.2)
mask_R = np.bitwise_and( tbdata['R'] < 99.99, tbdata['RERR'] < 0.2)

G_corrected = tbdata[mask_G]
R_corrected = tbdata[mask_R]


params = np.polyfit(G_corrected['G'], np.log(G_corrected['GERR']),1)
a = params[0]
A = np.exp(params[1])


fig13 = plt.gcf()
fig13.set_size_inches(16, 9)


fig13, (ax1,ax2) = plt.subplots(1,2)

fig_error_g = ax1.plot(G_corrected['G'], (G_corrected['GERR']), '.')
fig_error_g = ax1.plot(G_corrected['G'], (A*np.exp(a*G_corrected['G'])),'.')

ax1.set_xlabel('G')
ax1.set_ylabel('GERR')
ax1.set_title('Evolution de GERR en fonction de G')

fig_error_r = ax2.plot(R_corrected['R'], np.log(R_corrected['RERR']), '.')
ax2.set_xlabel('R')
ax2.set_ylabel('RERR')
ax2.set_title('Evolution de RERR en fonction de R')

fig13.tight_layout() 

plt.savefig('graphique.png')

plt.show()

mask\u G=np.位和（tbdata['G']<99.99，tbdata['GERR']<0.2）
掩码R=np.位和（tbdata['R']<99.99，tbdata['RERR']<0.2）
G_corrected=tbdata[mask_G]
R_corrected=tbdata[mask_R]
参数=np.polyfit（G_校正['G']，np.log（G_校正['GERR']），1）
a=参数[0]
A=np.exp（参数[1]）
图13=plt.gcf（）
图13.设置尺寸英寸（16,9）
图13，（ax1，ax2）=plt.子批次（1,2）
图(g)误差(g(g)校正(g)(g)校正(g)(g(g)校正(g)
fig_error_g=ax1.绘图（g_校正['g']，（A*np.exp（A*g_校正['g']），'。）
ax1.set_xlabel（'G'）
ax1.set_ylabel（'GERR'））
ax1.设置标题（‘G条款的演变’）
fig_error_r=ax2.plot（r_corrected['r']，np.log（r_corrected['RERR']），'
ax2.set_xlabel（'R'）
ax2.set_ylabel（'RERR'）
ax2.设置标题（‘基础功能的演变’）
图13.紧_布局（）
plt.savefig（'graphique.png'））
plt.show（）

我得到：

---

您认为结果如何？

最简单的方法是对绘图应用对数缩放。正如您肯定知道的，log（exp（x））=x，也就是说，如果您将log（）应用于y值并进行绘图，则应该得到一个线性绘图。一旦有了它，就可以用线性工具箱（）来拟合它。得到的斜率是exp（ax）中的预因子，您将尝试获取它

---

如果您在x轴上有另一个依赖项，那么对您的数据进行日志绘制以找出所有依赖项可能是有益的。

谢谢您的回答。正如你所说的，我在我的y值的绘图中应用了对数缩放（即问题编辑）。现在，我需要使用scipy提供的

曲线拟合

？我会在日志数据上使用线性拟合：-你能在对数尺度上绘制数据，看看它在该尺度上是否是线性的（你的编辑）？可能是日志缩放，即两个轴都应该这样做。

mask_G = np.bitwise_and( tbdata['G'] < 99.99, tbdata['GERR'] < 0.2)
mask_R = np.bitwise_and( tbdata['R'] < 99.99, tbdata['RERR'] < 0.2)

G_corrected = tbdata[mask_G]
R_corrected = tbdata[mask_R]


params = np.polyfit(G_corrected['G'], np.log(G_corrected['GERR']),1)
a = params[0]
A = np.exp(params[1])


fig13 = plt.gcf()
fig13.set_size_inches(16, 9)


fig13, (ax1,ax2) = plt.subplots(1,2)

fig_error_g = ax1.plot(G_corrected['G'], (G_corrected['GERR']), '.')
fig_error_g = ax1.plot(G_corrected['G'], (A*np.exp(a*G_corrected['G'])),'.')

ax1.set_xlabel('G')
ax1.set_ylabel('GERR')
ax1.set_title('Evolution de GERR en fonction de G')

fig_error_r = ax2.plot(R_corrected['R'], np.log(R_corrected['RERR']), '.')
ax2.set_xlabel('R')
ax2.set_ylabel('RERR')
ax2.set_title('Evolution de RERR en fonction de R')

fig13.tight_layout() 

plt.savefig('graphique.png')

plt.show()