这个问题的公认答案提供了一个小型的多多边形拟合库 ，该库可以使用numpy完全满足您的需要，并且您可以将结果插入到绘图中，如下所示。

您只需将x和y点的数组以及所需的拟合度（顺序）传递到multipolyfit 。这将返回系数，然后您可以使用numpy的polyval进行绘制。

注意：下面的代码已被修改以进行多元拟合，但是绘图图像是较早的非多元答案的一部分。

import numpy
import matplotlib.pyplot as plt
import multipolyfit as mpf

data = [[1,1],[4,3],[8,3],[11,4],[10,7],[15,11],[16,12]]
x, y = zip(*data)
plt.plot(x, y, 'kx')

stacked_x = numpy.array([x,x+1,x-1])
coeffs = mpf(stacked_x, y, deg) 
x2 = numpy.arange(min(x)-1, max(x)+1, .01) #use more points for a smoother plot
y2 = numpy.polyval(coeffs, x2) #Evaluates the polynomial for each x2 value
plt.plot(x2, y2, label="deg=3")

注意：这是较早答案的一部分，如果您没有多元数据，它仍然很重要。代替coeffs = mpf(... ，而是使用coeffs = numpy.polyfit(x,y,3)

对于非多元数据集，最简单的方法可能是使用numpy的polyfit ：

numpy.polyfit(x, y, deg, rcond=None, full=False, w=None, cov=False)

最小二乘多项式拟合。

将多项式p(x) = p[0] * x**deg + ... + p[deg]度deg拟合到点(x, y) 。返回最小化平方误差的系数p的向量。