1. 直接上代码进行介绍

__author__ = 'Administrator'
# coding=utf8


# 导入相关包
import matplotlib.pyplot as plt
import numpy as np
from pandas import read_csv
from sklearn.metrics import r2_score


# 读取数据  假设数据为200行*100列的数据表
url = 'test.csv'    # 定义路径
data = read_csv(url, header=0)  # 读取数据
data = data.iloc[:, :].values  # 获取索引
y = data[:, 1].tolist()  # 获取数据的第二列

# 构建一个长度为200的数组，数组值为0-199
x = [] #定义一个空数组
for i in range(200):   # 在数组中添加元素
    x = x + [i]


# 进行多项式拟合（这里选取3次多项式拟合）
# z = np.polyfit(x, y, 1) # 用1次多项式拟合
# z = np.polyfit(x, y, 2) # 用2次多项式拟合
z = np.polyfit(x, y, 3) # 用3次多项式拟合


# 获取拟合后的多项式
p = np.poly1d(z)
print(p)  # 在屏幕上打印拟合多项式



# 计算拟合后的y值
yvals=p(x)



# 计算拟合后的R方，进行检测拟合效果
r2 = r2_score(y, yvals)
print('多项式拟合R方为:', r2)



# 计算拟合多项式的极值点。
peak = np.polyder(p, 1)
print(peak.r)


# 画图对比分析
plot1 = plt.plot(x, y, '*', label='original values', color='dimgray')
plot2 = plt.plot(x, yvals, '#000000', label='fitting values', linewidth=2)

plt.xlabel('time points')
plt.ylabel('values')
plt.legend(loc="best")  # 指定legend的位置,读者可以自己help它的用法
plt.title('fitting diagram')
plt.show()

希望我的总结能够帮到您，谢谢采纳！！