python 一元回归拟合（含幂函数，对数，S函数，指数函数，一次、二次、三次，逆函数，生长、复合函数）

---

提示

目录

因为工作最近需要对数据进行拟合生成指标

一、最后的成果

二、导入数据

三、将数据中的自变量因变量都抽出来，进行九种回归拟合

1.代码如下：

2.这里补充下变换知识

三 对数据进行绘图，画出拟合曲线和散点图，把公式也写上去

总结：撒花~写完了这里

---

因为工作最近需要对数据进行拟合生成指标

所以打算写一个含有十种函数的拟合模型，去看那种拟合的r2最高，将r2最高的函数函数作为最终拟合函数。

---

一、最后的成果

 用n 组数据生产 n组数据 拟合十种回归，保留r2最大的画出期曲线和散点图，标注好函数公式，（图是假数据，已经打码处理，大概理解下就行）

下是本篇文章正文内容，下面案例可供参考

二、导入数据

import matplotlib.pyplot as plt
import numpy as  np
import pandas as pd

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



##

io=r'C:\Users\Viki\Desktop\****'#根据自己的需要换
city_pr2=pd.read_excel(io,sheet_name='Sheet1')

三、将数据中的自变量因变量都抽出来，进行九种回归拟合

1.代码如下：

 
 

df_d = pd.DataFrame(columns=('名称','类型','r2','系数'))

from sklearn.metrics import r2_score


#我这里原本是写了循环的 因为这种回归，肯定不是一组数据进行十种回归，这样还不如用spss
#所以这里是有 city_pr2['标签']==i   里面每个标签拿出来的数据都回归十次，选出每组数据r2最大的回归#函数，感觉大家都会加循环，我就不删了，方便大家改，可能让人难懂~算了随缘
for i in a: 
    jj=city_pr2[(city_pr2['位置']==i)]
    # jj=city_pr2

    #十种函数的回归从这里开始写了~
    ##线性
    x_data_2=jj[['自变量']].values.tolist()
    y_data_2=jj[['因变量']].values.tolist()
    x_data_2=sum(x_data_2,[])
    y_data_2=sum(y_data_2,[])
    L=np.polyfit(x_data_2, y_data_2, 1)
    print(L)
    Z=np.polyval(L,x_data_2,)
    score = r2_score(y_data_2, Z, multioutput='raw_values')
    print('线性：'+str(score))
    new=pd.DataFrame({'名称':i,
                      '类型':'线性',
                      'r2':score,
                      '系数':[L]})
    
    df_d=df_d.append(new,ignore_index=(True))
    
    
    ##指数
    x_data_2=jj[['自变量']].values.tolist()
    y_data_2=jj[['因变量']].values.tolist()
    x_data_2=sum(x_data_2,[])
    y_data_2=sum(y_data_2,[])
    L=np.polyfit(x_data_2, np.log(y_data_2), 1)
    Z=np.polyval(L,x_data_2)
    true=np.exp(Z)
    score = r2_score(y_data_2,true, multioutput='raw_values')
    print('指数：'+str(score))
    new=pd.DataFrame({'名称':i,
                      '类型':'指数',
                      'r2':score,
                      '系数':[L]})
    
    df_d=df_d.append(new,ignore_index=(True))
    
    
    
    
    ##二次
    x_data_2=jj[['自变量']].values.tolist()
    y_data_2=jj[['因变量']].values.tolist()
    x_data_2=sum(x_data_2,[])
    y_data_2=sum(y_data_2,[])
    L=np.polyfit(x_data_2, y_data_2, 2)
    print(L)
    Z=np.polyval(L,x_data_2,)
    score = r2_score(y_data_2, Z, multioutput='raw_values')
    print('二次：'+str(score)