由实验数据进行函数拟合的python实现
0.引言
已知公式求参的过程，对工程而言，一般是一个线性拟合或者非线性拟合的过程。我们现在来以代码片段为例，来描述如何求参。一般这个过程会涉及超定方程的计算。这个过程，原本需要使用matlab，现在python照样可以做到。
1. 示例1，问题描述
假定我们有一个确定的方程，比如
y = k*x1 + g*x2 /v(x1+x2)
1.1首先我们构建公式本身：
def func(x, k, g, v):(x1, x2) = xseg1 = k*x1;seg2 = g*x2/v*(x1+x2);y = seg1 + seg2;return y;1.2 然后进行实验，采集相关参数：
三个参数，原本三组数据就可以出结果，这就是超定方程的含义。数据点比需要的更多。
#data.csv
14,1 ,3
20,5 ,9
11,7,13
100,9,4
120,8,10
1.3 求解
注意这里的x1,x2组合成一个x参数的过程。它涉及多参数求解的处理。
def CalcParamsOfFun(file_name):# 设置初始参数猜测initial_guess = (1,1,1);# 准备数据filename = "data.csv" # 文件名y = load_csv_data(filename, 0); #yx1 = load_csv_data(filename, 1); #x1x2 = load_csv_data(filename, 2); #x2y_ar = [];for item in y:y_ar.append(item);y = y_ar;x1_data = x1;x2_data = x2;data = (x1_data, x2_data)# 使用curve_fit函数进行拟合popt, pcov = curve_fit(func, data, y_ar, p0=initial_guess)# 显示拟合参数和拟合误差print(popt)print(pcov)return popt;1.4 求解结果识读：
最终popt就是求解出的参数，而剩余的部分pcov是一个协方差矩阵，它反映了整个运算出的参数的不确定度：
[[ 1.55391864e-01 4.35894622e-04 -1.01903114e-03]
[ 4.35894622e-04 4.97531727e-06 2.31409704e-05]
[-1.01903114e-03 2.31409704e-05 3.43718230e-04]]
它的对角线的每一个值，是验算出的参数的可能误差。这里计算出的k的误差有15.5%这是一个比较大的误差，可能对运算精度产生较大影响。矩阵中对角线以外的元素是元素之间的关联关系，较大的值表示两个元素之间可能存在相关性。这里可以看出它们各自的相关性是很小的。
注意，这里的协方差具体数值与公式不符，因为我没有实际制作一笔数据和公式精确匹配。只是用来举例说明。
1.5校验
你可以直观看出公式计算得到的量和实际的数据之间的误差。
def ReCalcCurr_inByCalc(file_name, params):# 准备数据filename = "data.csv" # 文件名y = load_csv_data(filename, 0); #yx1 = load_csv_data(filename, 1); #x1x2 = load_csv_data(filename, 2); #x2y_ar = [];for item in y:y_ar.append(item);y = y_ar;x1_data = x1;x2_data = x2;data = (x1_data, x2_data)for i in np.arange(len(x1_data)):data = (x1_data[i], x2_data[i]);print(func(data, params[0], params[1], params[2]), y[i])