scipy.optimize.curve_fit 是非线性回归最直接方案，封装RSS优化、Jacobian计算、协方差估计及bounds/sigma支持；手动用minimize易重复造轮子且缺参数误差；p0不可为None，需依物理意义或归一化估算；sigma传标准差并注意absolute_sigma设置。
Scipy 本身不提供“非线性回归”接口，scipy.optimize.curve_fit 是最常用、最直接的替代方案——它本质是带雅可比自动推导的最小二乘参数优化，不是独立的回归模型类。
为什么不用 scipy.optimize.minimize 直接写损失函数？
能用，但容易绕远路。多数非线性拟合场景目标明确：最小化残差平方和（RSS）。curve_fit 内部已封装好 RSS 构建、Jacobian 数值/解析计算、协方差矩阵估计（用于参数误差），还默认支持 bounds 和 sigma 权重。
- 手动写
minimize需自己定义loss = lambda p: np.sum((y - model(x, *p))**2)，漏掉 Jacobian 就慢，加了又重复造轮子 -
curve_fit返回的pcov可直接算参数标准误：np.sqrt(np.diag(pcov))；minimize默认不提供这个 - 当模型含固定参数（如已知偏移量）时，
curve_fit更易通过闭包或functools.partial处理，而非重构整个 loss
curve_fit 的起始参数 p0 不设会怎样？
会报 OptimizeWarning: Covariance of the parameters could not be estimated 或直接 RuntimeError，尤其对指数、幂律等敏感模型。Scipy 不做启发式初值猜测，p0 为 None 时默认全设为 1，这在量纲差异大（如 x 是 1e-6 级别，y 是 1e3 级别）时几乎必然发散。
- 安全做法：用物理意义或数据粗略估算。例如拟合
model = a * np.exp(-b * x) + c，可取c ≈ y[-1]（尾部平台值），a ≈ y[0] - c，b ≈ -np.log(0.5) / x[np.argmin(np.abs(y - (y[0]+c)/2))] - 若完全无先验，至少缩放参数：把 x、y 归一化到 [0,1] 区间后再拟合，最后反推回原尺度
- 避免
p0=[1,1,1]这类“懒人初值”，尤其当真实参数在 1e-3 或 1e5 量级时
如何处理带权重或异方差的拟合？
用 sigma 参数传入每点的标准差（注意：不是方差），并设置 absolute_sigma=False（默认）让 Scipy 把它当相对权重用；若传入的是已知测量误差，则设 absolute_sigma=True。
立即学习“Python免费学习笔记（深入）”；
- 常见错误：把
sigma当作方差传入，导致权重翻倍失真 - 若只有误差上界（如仪器精度限），可用
sigma = np.full(len(y), 0.01)统一赋值，比不设更稳定 - 想实现加权最小二乘但没误差数据？可传
sigma = 1 / np.sqrt(y)（假设 Poisson 噪声）或sigma = 1 / y_err_estimated -
bounds必须是元组(lower, upper)，每个元素是长度与参数数一致的数组，例如三参数模型：bounds=([0, 0, -np.inf], [np.inf, 10, np.inf])
真正麻烦的从来不是调用 curve_fit 这一行代码，而是确认模型结构是否合理、初值是否落在收敛域内、残差是否满足独立同分布假设——这些没法靠库自动解决。
