结论：numpy.polyfit拟合关键在阶数选择、x/y对齐与结果使用；常见错误是x/y传反、y未压平、阶数过高致过拟合；coeffs为降幂排列，预测应统一用np.polyval。
直接说结论：用 numpy.polyfit 做多项式拟合，核心不是“能不能拟合”，而是“阶数选几”“x/y 是否对齐”“拟合后怎么用”，多数报错和偏差都出在这三处。
polyfit 参数顺序和形状必须严格匹配
常见错误是把 x 和 y 传反，或 y 是二维数组（比如列向量）却没压平。NumPy 不会自动广播或转置，polyfit 要求 x 和 y 都是一维、等长的 ndarray。
- 错误现象：
ValueError: x and y must have same first dimension - 检查
y.shape—— 如果是(N, 1)或(1, N)，先用y.ravel()或y.flatten() - 别用 Python list 套 list 模拟二维数据，
polyfit对嵌套 list 行为不可靠 - 如果 x 来自
np.linspace或np.arange，确保没加keepdims=True这类参数
拟合阶数（deg）不是越高越好，过拟合会立刻暴露
设 deg=5 并不意味着模型更准；它只代表找一个 5 次多项式，让平方误差最小。但若数据点少（比如只有 6 个点），deg=5 就是插值——表面完美，泛化为零。
- 经验法则：点数
n≥deg + 3才算勉强安全；n ≤ deg + 1时，polyfit仍能算出结果，但系数极不稳定 - 用
np.polyval(<code>coeffs, x_new) 预测前，务必在训练区间外试几个点，看曲线是否疯涨——这是高阶多项式的典型失控行为 - 如果物理/业务上明确是二次关系，就别用
deg=4硬凑 R²；宁可降阶 + 检查残差分布
拟合结果 coeffs 是降幂排列，别当成「常数项在前」
np.polyfit(x, y, deg=3) 返回长度为 4 的数组，顺序是 [a₃, a₂, a₁, a₀]，对应多项式 a₃·x³ + a₂·x² + a₁·x + a₀。这个顺序和 np.poly1d 默认一致，但和某些教材、MATLAB 的习惯相反。
立即学习“Python免费学习笔记（深入）”；
- 容易踩的坑：手写预测逻辑时写成
coeffs[0] + coeffs[1]*x + ...，结果全错 - 安全做法：统一走
np.polyval(coeffs, x_new)，它内部按降幂处理，不依赖你手动索引 - 如果要导出公式给非 Python 用户，记得 reverse：
coeffs[::-1]才是「常数项在前」 - 注意
coeffs是 float64 类型，直接 print 可能显示不全，用np.round(coeffs, 4)辅助查看
真正麻烦的从来不是调用 polyfit 这一行代码，而是拟合完不敢信结果——因为阶数、数据形状、系数解读任意一环偏移，都会让曲线在关键位置突然翘起。动手前先画散点图，拟合后立刻叠画残差图，比反复调 deg 有用得多。
