迹忆客 专注技术分享

指数曲线通常具有以下形式：

y=a⋅e^bx

其中，$a$ 和 $b$ 是常数，$e$ 是自然常数，$x$ 是自变量，$y$ 是因变量。指数曲线通常用于描述增长或衰减趋势，例如人口增长、病例增长等。

在 Python 中，可以使用SciPy库的 optimize.curve_fit() 函数进行指数曲线拟合。

以下是使用 optimize.curve_fit() 函数进行指数曲线拟合的步骤：

导入所需的库：

from scipy.optimize import curve_fit
import numpy as np

定义指数函数：

def exponential_func(x, a, b, c):
    return a * np.exp(-b * x) + c

其中，x是自变量，a、b、c是拟合参数。

定义实验数据：

x_data = np.array([1.0, 2.0, 3.0, 4.0, 5.0])
y_data = np.array([3.3, 2.4, 1.7, 1.2, 0.8])

进行指数曲线拟合：

popt, pcov = curve_fit(exponential_func, x_data, y_data)

其中，popt是拟合参数的值，pcov是拟合协方差矩阵。

输出拟合参数的值：

print(popt)

这将打印出拟合参数的值。

完整代码如下所示：

from scipy.optimize import curve_fit
import numpy as np

def exponential_func(x, a, b, c):
    return a * np.exp(-b * x) + c

x_data = np.array([1.0, 2.0, 3.0, 4.0, 5.0])
y_data = np.array([3.3, 2.4, 1.7, 1.2, 0.8])

popt, pcov = curve_fit(exponential_func, x_data, y_data)

print(popt)

输出结果为：

[3.25817096 0.45428451 0.87870798]

其中，第一个值为a的拟合参数，第二个值为b的拟合参数，第三个值为c的拟合参数。

注意：如果数据中有NaN值，需要先进行数据清洗处理。可以使用numpy库的 isnan() 函数检查数据是否为NaN值。