利用非线性最小二乘法拟合函数并求积分

问题描述：已知函数f(x)，取定义域内一组离散点，利用该组离散点及其函数值拟合求出区间内定积分，并与在原函数上直接积分的结果作比较。

根据微分的思想，我们可以根据这些离散点及其函数值求n个小梯形的面积之和，但这无疑是件复杂的工程，于是我的想法是利用这些离散点拟合一个函数表达式，然后求积分。

工具：python scipy库，numpy库，matplotlib库

import numpy as np
import matplotlib.pyplot as plt
from scipy import integrate
from scipy.optimize import curve_fit

若还未安装这些库，在命令行安装即可，以scipy为例，其余类似

pip install scipy

1. 自定义一个函数表达式（原函数），可以复杂也可以简单

f(x)=3x^3+5x^2+e^x+c

其中c为一个0-19范围内的随机数，目的在于使这些离散点不严格的按照函数表达式生成，使拟合结果更直观，否则，利用最小二乘法拟合而成的函数表达式将与原函数相差无几。
2. 选取离散点及其函数值

#构建自变量离散点
x=np.array([0,0.5,1,1.5,2,2.5,3,3.5,4])
#根据离散点求出函数f（x）的函数值
y=[]
for i in x:
    y.append(3*i*i*i+5*i*i+np.exp(i)+np.random.randint(20))
y=np.array(y)

3. 自定义函数模型，其中a，b，c，d均为系数

#自定义函数形式
def f1(x,a,b,c,d):
    return a*np.power(x,3)+b*np.power(x,2)+c*np.exp(x)+d

4. 利用最小二乘法拟合，并得到自定义函数里面的系数a b c d

#非线性最小二乘法拟合
popt, pcov = curve_fit(f1, x, y)
#popt里面是拟合系数
a = popt[0] 
b = popt[1]
c = popt[2]
d = popt[3]
yvals = f1(x,a,b,c,d) #拟合y值

5. 绘图直观了解拟合效果

#绘图
plot1 = plt.plot(x, y,color='blue',label='原函数')
plot2 = plt.plot(x, yvals,color='red',label='拟合函数')
plt.xlabel('x')
plt.ylabel('y')
plt.rcParams['font.sans-serif']=['SimHei']#设置中文
plt.legend(loc=4) #指定legend的位置右下角
plt.show()

6. 计算积分

v1, err = integrate.quad(f1, 0, 4,args=(a,b,c,d))
print('原函数从0-4积分结果为：',v1)
v = integrate.trapz(yvals, x)
print('拟合函数从0-4积分为结果为：',v)

拟合效果：

以及积分计算结果：
从积分结果可以看出，利用这种方法进行拟合得到的结果还是比较可靠的。