python二元多次函数拟合_对分段函数进行多次曲线拟合迭代

这里有三种加快速度的方法。你没有给出期望的速度或精度，甚至矢量大小，所以买家要小心。在

TL；DR

时间安排：len 1 2 3 4

1000 0.045 0.033 0.025 0.022

10000 0.290 0.097 0.029 0.023

100000 3.429 0.767 0.083 0.030

1000000 0.546 0.046

1) Original Method

2) Pre-estimate with Subset

3) M Newville [linear log-log estimate](https://stackoverflow.com/a/44975066/7311767)

4) Subset Estimate (Use Less Data)

子集预估计(方法2)：

只需运行curve_fit两次，第一次使用数据的一小部分来获得快速估计，就可以获得相当好的加速。然后使用该估计值为curve_fit与整个数据集种子。在

^{pr2}$

使用M Newville提出的对数估计，速度也快得多。由于OP关注Newville提出的初始估计方法，该方法使用带有子集的{}来估计曲线中的断点。在x, y = current_data

stride = int(max(1, len(x) / 200))

c0 = curve_fit(power_law, x[0:len(x):stride], y[0:len(y):stride])[0]

index_max = np.where(x > c0[1])[0][0]

log_x = np.log(x[:index_max])