NumPy 的 polyfit 仅提供最小二乘多项式系数，不返回统计指标、不支持权重、不检验拟合质量；系数按高次到低次排列（如 deg=2 返回 [a,b,c] 对应 ax²+bx+c），易与部分库顺序混淆，建议用 np.poly1d 封装预测，并注意数值稳定性、残差分析和条件数检查。
NumPy 的 polyfit 能做基本多项式拟合，但不返回统计指标、不支持权重、不自动检验拟合质量——它只是最小二乘解的快捷封装，别当回归分析工具用。
为什么 polyfit 返回的系数顺序容易搞反？
NumPy 把高次项放在前面，比如 polyfit(x, y, deg=2) 返回 [a, b, c] 对应的是 a*x² + b*x + c，和数学书写习惯一致，但和某些库（如 scikit-learn 的 PolynomialFeatures）输出顺序不同。实际代入预测时若手写表达式，错一位就会全错。
实操建议：
- 始终用
np.poly1d(coeffs)封装结果，再调用func(x_new)预测，避免手动拼公式 - 检查系数长度是否等于
deg + 1，否则说明输入数据点不足或 deg 设置过高 - 如果要和 matplotlib 的
plt.plot(x, np.polyval(coeffs, x))对齐，注意np.polyval也按“高次在前”解析，和polyfit匹配
polyfit 不报错但拟合明显歪，常见原因有哪些？
最常被忽略的是数据未中心化导致数值不稳定——尤其当 x 值很大（如时间戳 20240101）或跨度极大（1e-6 到 1e6）时，polyfit 内部构造范德蒙矩阵会严重病态，系数轻微扰动就让曲线剧烈震荡。
立即学习“Python免费学习笔记（深入）”；
实操建议：
- 对
x做预处理：用x_centered = x - np.mean(x)再拟合，预测时再平移回去 - 改用
numpy.polynomial.Polynomial.fit(x, y, deg)，它默认正交化基底，数值稳定性好得多 - 观察拟合残差：画出
y - np.polyval(coeffs, x)，若残差有系统性趋势（比如 U 形），说明 deg 选低了；若高频抖动剧烈，可能是过拟合或数值失真
如何给不同数据点加权重？polyfit 本身不支持，但可以绕过
polyfit 没有 w 参数（不像 MATLAB），强行加权得自己构造加权最小二乘问题。核心是把权重平方根乘到设计矩阵和目标向量上。
实操建议：
- 用
np.vander(x, N=deg+1, increasing=True)构造设计矩阵V（注意increasing=True才让列从 x⁰ 开始，匹配常规顺序） - 设权重数组
w，然后解np.linalg.lstsq(V * w[:, None], y * w) - 结果系数顺序是 [x⁰, x¹, ..., xᵈᵉᵍ]，需反转才能喂给
np.poly1d或np.polyval - 权重为 0 的点会被完全忽略；权重极小（如 1e-8）可能引发浮点误差，建议截断下限
拟合完下一步该看什么？别只画条线
画完拟合曲线只是起点。真正判断是否可用，得看残差分布、条件数、以及交叉验证效果。
实操建议：
- 用
np.linalg.cond(np.vander(x, deg+1))查条件数，> 1e12 就警告数值不可靠 - 计算 R²：用
1 - np.sum(resid**2) / np.sum((y - np.mean(y))**2)，但 R² 高≠模型好，尤其 deg 高时几乎必然虚高 - 做留一法（LOO）或 5 折 CV：每次删一个点重拟合，看预测误差波动——若某点被删后系数巨变，说明它是强杠杆点
- 如果业务要求置信区间，
polyfit不提供协方差矩阵；得用scipy.optimize.curve_fit或手动算(V.T @ V)^-1，但要注意逆矩阵是否可求
真正麻烦的从来不是跑通 polyfit，而是确认那个看似光滑的曲线，到底是信号，还是数值噪声在跳舞。
