scipy库中的leastsq函数

只需要输入一系列样本点，给出待求函数的基本形状（如二元二次函数就是一种形状

f(x,y)=w0x^2 + w1y^2 + w2xy + w3x + w4y + w5

在形状给定后，我们只需要求解相应的系数w0~w5），即可得到相应的参数。至于中间到底是怎么求的，这一部分内容就像一个黑箱一样。
则使用leastsq函数求解其拟合直线的代码如下：

###最小二乘法试验###
import numpy as np
from scipy.optimize import leastsq

###采样点(Xi,Yi)###
Xi=np.array([8.19,2.72,6.39,8.71,4.7,2.66,3.78])
Yi=np.array([7.01,2.78,6.47,6.71,4.1,4.23,4.05])

###需要拟合的函数func及误差error###
def func(p,x):
    k,b=p
    return k*x+b

def error(p,x,y,s):
    print (s) #看打印多少条s,就是leastsq调用了多少次error函数
    return func(p,x)-y #x、y都是列表，故返回值也是个列表

#p0存放k、b的初始值，这个值可以随意指定
p0=[100,2]
#print( error(p0,Xi,Yi) )

###主函数从此开始###
s="Test the number of iteration" #试验最小二乘法函数leastsq得调用几次error函数才能找到使得均方误差之和最小的k、b
Para = leastsq(error,p0,args=(Xi,Yi,s)) #把error函数中除了p以外的参数打包到args中
print(Para) # (array([0.61349535, 1.79409255]), 3)
k,b = Para[0]
print("k=",k,'\n',"b=",b) # k= 0.6134953462154726  b= 1.7940925542913093

###绘图，看拟合效果###
import matplotlib.pyplot as plt

plt.figure(figsize=(8,6))
plt.scatter(Xi,Yi,color="red",label="Sample Point",linewidth=3) #画样本点
x=np.linspace(0,10,1000)
y=k*x+b
plt.plot(x,y,color="orange",label="Fitting Line",linewidth=2) #画拟合直线
plt.legend()
plt.show()

1、p0里放的是k、b的初始值，这个值可以随意指定。往后随着迭代次数增加，k、b将会不断变化，使得error函数的值越来越小。

2、func函数里指出了待拟合函数的函数形状。

3、error函数为误差函数，我们的目标就是不断调整k和b使得error不断减小。这里的error函数和神经网络中常说的cost函数实际上是一回事，只不过这里更简单些而已。

4、必须注意一点，传入leastsq函数的参数可以有多个，但必须把参数的初始值p0和其它参数分开放。其它参数应打包到args中。

5、leastsq的返回值是一个tuple，它里面有两个元素，第一个元素是k、b的求解结果，第二个元素暂时不知道是什么意思，先留下来。

以上参考：
Python闲谈（二）聊聊最小二乘法以及leastsq函数
https://www.cnblogs.com/NanShan2016/p/5493429.html

使用p次多项式拟合，疫情以来，武汉累积确诊病例的数据
文件：武汉累积数据.xlsx
日期 累积确诊 累积死亡 累积出院

from scipy.optimize import leastsq  ##引入最小二乘法算法
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# % matplotlib
# inline
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

def error(p, x, y):
    fun = np.poly1d(p)
    # poly1d（）函数可以按照输入的列表p返回一个多项式函数
    # 这里设计了一个poly1d（）函数，关于这个函数，简单理解下就是输入一个列表，返回以这个列表中的值为参数的多项式，例如：
    # 输入：p=[1,2,3]
    # 返回：x^2 + 2x + 3
    return y - fun(x)
    
# 拟合函数
def fitting(p):
    pars = np.random.rand(p+1)  # 生成p+1个随机数的列表，这样poly1d函数返回的多项式次数就是p,作为初值
    r = leastsq(error, pars, args=(Xi,Yi))   # 三个参数：误差函数、函数参数列表、数据点
    return r

data = pd.read_excel('武汉累积数据.xlsx')
Yi = data['confirmed'].values[:30] #获取前30行的confirmed确诊数据
Xi = data.index.values[:30]

fit_pars = fitting(5)[0] #这里使用5次多项式去拟合实际数据，取返回值r的第一个元素，该元素就是多项式的系数
print(fit_pars) #得出多项式 [-1.74500210e-02  1.15126287e+00 -2.68322791e+01  3.58227740e+02 -1.42370074e+03  1.30423560e+03]
plt.plot(Xi, np.poly1d(fit_pars)(Xi),color='blue', label='拟合多项式曲线')
plt.scatter(Xi,Yi,edgecolors='red',marker='*',label='实际数据点')
plt.legend()
plt.show()