numpy.polyfit返回系数数组，需用np.polyval或np.poly1d封装为函数；避免手动计算幂次、警惕过拟合（deg≥len(x)）；求导积分用np.polyder/np.polyint更安全。
用 numpy.polyfit 做拟合，但别直接当预测函数用
numpy.polyfit 返回的是多项式系数数组，不是可调用函数。常见错误是拿到系数后手动写 y = a*x**2 + b*x + c 这种表达式——容易算错幂次顺序（polyfit 返回的是从高次到低次，比如二次拟合返回 [a, b, c] 对应 a*x² + b*x + c），也容易在向量化计算时漏掉广播规则。
正确做法是配合 numpy.poly1d 封装：
import numpy as np x = np.array([0, 1, 2, 3]) y = np.array([1, 3, 2, 5]) coeffs = np.polyfit(x, y, deg=2) # 返回 [a, b, c] f = np.poly1d(coeffs) # 可直接 f(x_new) 预测 y_pred = f([0.5, 1.5, 2.5])
注意：poly1d 构造的函数默认按标准多项式顺序处理，避免手算出错。但它的底层仍是纯 Python 实现，大量预测时性能不如 np.polyval。
预测时优先用 np.polyval，尤其批量数据
np.polyval 是 NumPy 原生 C 实现，比 poly1d 实例快得多，且天然支持数组输入。它接受系数数组（高次在前）和 x 值，自动广播计算。
- 系数顺序必须与
polyfit输出一致：二次拟合的[a,b,c]表示a*x² + b*x + c - 输入
x可以是标量、列表或任意形状的ndarray，输出形状与x一致 - 不支持传入
poly1d对象，只认系数数组
示例：
coeffs = np.polyfit(x, y, deg=2) y_pred = np.polyval(coeffs, x) # 拟合点上预测 y_new = np.polyval(coeffs, np.linspace(0, 3, 10)) # 新 x 点预测
过拟合信号：deg 超过 len(x)-1 会出警告甚至失效
当指定阶数 deg >= len(x) 时，polyfit 试图找一个精确穿过所有点的多项式。这会导致数值不稳定，系数剧烈震荡，RankWarning 警告频繁出现，预测结果在插值区间外完全不可信。
实际使用中要警惕：
- 样本点只有 5 个，却设
deg=4—— 已经是插值，不是拟合 -
deg=10但x含噪声，模型会把噪声当信号拟合 - 用
np.linalg.cond检查设计矩阵条件数，> 1e12 就说明病态严重
建议先画出原始数据和不同 deg 的拟合曲线对比，再决定阶数。多数工程场景 deg=2 或 deg=3 足够。
导数、积分要用 np.polyder 和 np.polyint，别手推公式
需要求导或积分时，直接操作系数数组比符号推导安全。例如拟合后想看斜率变化趋势：
coeffs = np.polyfit(x, y, deg=3) deriv_coeffs = np.polyder(coeffs) # 一阶导数系数 f_deriv = np.poly1d(deriv_coeffs) slope_at_x1 = f_deriv(1.0)
注意：
-
polyder(coeffs, m=2)求二阶导，m是导数阶数 -
polyint(coeffs, k=0)积分，k是积分常数，默认为 0 - 导数/积分后的系数长度会变，不能直接和原系数比较大小
这些函数内部严格按多项式代数规则运算，避免了手算微分时幂次减错、系数乘漏等低级错误。
系数数组本身不带单位信息，导数结果的量纲需自行确认；积分常数 k 若未指定，所有积分曲线都过原点，这点容易被忽略。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
