Scipy数值分析（二）：拟合

昨天发了一篇Scipy如何进行逼近，里面还没例子，以后有机会补几个。今天来看看拟合，不过再说拟合以前要先说三句话：

首先，第一点拟合和插值是不一样的。

其次，高维的逼近比一维复杂很多，Scipy中基本只有一维和二维的逼近，再高维的就另请高明吧。

最后，拟合可以看做一种优化，根据不同的误差函数可以定义不同的拟合，其中最常见的是最小二乘拟合，这也是Scipy中唯一实现的一种拟合。如果你需要比如最小一范数拟合你可能需要直接用优化模块实现，或者使用其他的优化函数库。

下面我们来看看Scipy中这个唯一的拟合函数吧！

scipy.optimize.curve_fit(f, xdata, ydata, p0=None, sigma=None, absolute_sigma=False, check_finite=True, **kw)

这个函数名简直直白到没朋友吧，使用方法也是直白得很，对于简单地函数可以使用lambda算子，比如线性函数可以lambda (x,k,b):k*x+b。当然，直接定义函数也是可以的，而且这个函数没有要求必须是显式函数，也可以是一段仿真代码。此处应该有几个例子，不过今天就不给了，继续挖坑！

对了，这个函数的定义格式必须是自变量是第一个参数，其他参数是函数的剩余变量。

当然，Numpy中还有一个polyfit可以进行多项式拟合，使用方法和Matlab里的同名函数是一样的，不过不推荐啦！为什么呢，因为如果你需要大量的拟合、回归、聚类，那么你需要的是一个机器学习的库，那么你正确的默认打开方式应该是sklearn.这个大坑我就不挖了，网上sklearn的教程应该不少。当然做统计嘛，首推R，那才是统计方面内容的正确打开方式，就一个lm函数，R也能做到极致。就为这点必须给R点个赞！说到R呢，以前也提过可重现研究的前沿技术就是R里实现rmarkdown。如果需要自动生成报告的读者不妨去看一下rmarkdown，主要的实现在一个叫做knitr的库。Python下现在有一个超级不完整，功能弱爆了的port，叫做knitpy，大家目前还不用去关注，等到它成熟得差不多了，我再向大家推荐！咦，貌似跑题有点远了，今天就说到这里吧，下次再见喽！