在本文中，我们将学习如何在Python中进行指数和对数曲线拟合。首先我们要问的问题是什么是曲线拟合？
曲线拟合是构造曲线或数学函数的过程，其具有对一系列数据点的最佳拟合，可能受到约束。
- 对数曲线拟合：对数曲线是对数函数的曲线图。
- 指数曲线拟合：指数曲线是指数函数的曲线图。
让我们考虑两个方程
y = alog(x) + b 其中a、b是该对数方程的系数。
y = e(ax)*e(b)
我们将在上面的方程上拟合两条曲线，并找到最佳拟合曲线。对于Python中的曲线拟合，我们将使用一些库函数。
我们还将使用numpy.polyfit()方法来拟合曲线。这个函数有三个参数x，y，多项式次数（n）返回n次多项式的系数。
语法：numpy.polyfit（x，y，deg）
主要参数：
x-> x坐标
y-> y坐标
deg ->拟合多项式的阶数。因此，如果给定deg为1，我们得到线性多项式的系数，或者如果它为2，我们得到二次多项式的系数。
对数曲线拟合
import numpy as np
# It is for plotting the curve
import matplotlib.pyplot as plt
由于我们已经导入了所需的库，因此必须创建两个名为x和y的数组。在创建这两个数组之后，我们必须在numpy.log（）方法的帮助下获取x和y中的值的对数。
# Points on X-axis
x_data = np.array([11, 23, 31, 43, 51])
# Points on Y-axis
y_data = np.array([2, 4, 6, 8, 10])
print(x_data)
print(y_data)
# Taking log of x values
xlog_data = np.log(x_data)
print(xlog_data)
输出
之后，得到x和y数组的对数值，在numpy.polyfit（）的帮助下，我们找到了方程的系数。由于我们采用了线性方程，因此在polyfit方法中，我们将在度参数中传递1。
# Given log values of x , y as input
curve = np.polyfit(log_x_data, y_data, 1)
print(curve)
输出
所以我们得到系数为[5.04，-10.79]，我们可以得到曲线的方程为（y= a*log（x）+y，其中a，b是系数）
y = 5.04 * log_x_data - 10.79
print(y)
输出
现在，让我们用xlog_data，ylog_data绘制一个图，另一个用xlog_data和我们得到的y方程绘制一个图。为了在python中绘制图形，我们将使用Matplotlib.pyplot.plot（）函数。
# Blue color
plt.plot(log_x_data, y_data)
# Best fit in orange
plt.plot(log_x_data, y)
在上图中，黄线表示原始x和y坐标的图，蓝线是我们通过计算获得的坐标图，它是最佳拟合。
指数曲线拟合
我们将重复上述相同的过程，但唯一的区别是对数函数被指数函数取代。
x_data = np.array([11, 19, 31, 39, 51])
print(x_data)
y_data = np.array([5, 8, 32, 84, 110])
print(y_data)
ylog_data = np.log(y_data)
print(ylog_data)
curve_fit = np.polyfit(x_data, log_y_data, 1)
print(curve_fit)
所以，a = 0.69和b = 0.085，这些是系数，我们可以得到曲线的方程，即（y = e（ax）*e（b），其中a，b是系数）
y = np.exp(0.69) * np.exp(0.085*x_data)
print(y)
现在，让我们在Matplotlib.pyplot.plot（）函数的帮助下绘制图表。
# Blue
plt.plot(x_data, y_data)
# best fit in orange
plt.plot(x_data, y)
在上图中，蓝线表示原始x和y坐标的图形，黄线是我们通过计算获得的坐标图形，它是最佳拟合。
