将曲线拟合到数据集

我有一个包含两个数据集的图，它产生轻微的梯度，其中最佳拟合曲线可能会被过度绘制。

目前我只能得到一条最适合的直线。我明白scipy.optimize.curve_fit应该能够帮助我，但这需要我知道我想要过度绘制的函数（我认为）。

下面是我的代码和图。如何为这些数据集创建曲线图？

plt.figure(figsize=(15,6.6))
pl.subplot(1,2,1) 
plt.plot(gg,AA, 'kx')
plt.xlabel('x')
plt.ylabel('y')
plt.gca().invert_yaxis()
y=AA
x=gg
fit=pl.polyfit(x,y,1)
#slope, fit_fn=pl.poly1d(fit)
fit_fn=pl.poly1d(fit)
scat=pl.plot(x,y, 'kx', x,fit_fn(x), '-b' )


pl.subplot(1,2,2) 
pl.plot(LL,pp, 'kx')#shows points with no removal or bestfit
plt.gca().invert_yaxis()

plt.savefig('1.jpg')
plt.show()

应该指出的是，可能没有曲线，但我想知道是否有一条合适的曲线。

如果我理解得好的话，你的问题更多的是一个概念性问题，而不是一个实际问题。

如果您想显示一条在某种程度上代表数据集的线，您可以从三件事开始：移动平均值、插值和多项式拟合。

移动平均值可以很好地平滑您的数据集。我不知道它的内置函数，但您可以自己编写代码，正如所讨论的那样here https://stackoverflow.com/questions/13728392/moving-average-or-running-mean.

插值（spline http://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.UnivariateSpline.html#scipy.interpolate.UnivariateSpline，例如）适合您的数据集上的某些函数，可以在许多点上对其进行评估，然后进行绘制。

使用上述两种方法，您不必指定函数。但是，您可以拟合多项式 http://docs.scipy.org/doc/numpy/reference/generated/numpy.polyfit.html自己发挥作用。如何确定多项式的次数？您可以获取所有数据点的日志，将线性线拟合到日志数据，如果拟合良好，则线性部分的系数可以被视为多项式与原始数据集的次数。但是，不要使用太大次数的多项式 - 你很容易遇到过拟合 http://en.wikipedia.org/wiki/Overfitting用这个方法。