如果你使用curve_fit，你可以简化它，不需要计算函数内部的错误：

from scipy.optimize import curve_fit
import numpy as np
import matplotlib.pyplot as plt

t_data = np.array([0.5, 1.0, 1.5, 2.0, 2.5, 3.])
y_data = np.array([6.8, 3., 1.5, 0.75, 0.25, 0.1])
def func_nl_lsq(t, *args):
    a, b = args
    return a*np.exp(b*t)
popt, pcov = curve_fit(func_nl_lsq, t_data, y_data, p0=[1, 1])
plt.plot(t_data, y_data, 'o')
plt.plot(t_data, func_nl_lsq(t_data, *popt), '-')
plt.show()

字符串

编辑

注意，我使用的是一个接受*args的通用签名。为了使它工作，你必须将p0传递给curve_fit。
常规方法如下所示：

def func_nl_lsq(t, a, b):
    return a*np.exp(b*t)

popt, pcov = curve_fit(func_nl_lsq, t_data, y_data)
a, b = popt
plt.plot(t_data, func_nl_lsq(t_data, a, b), '-')

型

的数据

首先，你使用了错误的函数。你的函数func_nl_lsq计算残差，它不是模型函数。要使用scipy.otimize.curve_fit，你必须定义模型函数，就像@DerWeh和@saullo_castro建议的那样。你仍然可以使用自定义残差函数scipy.optimize.least_squares而不是scipy.optimize.curve_fit。

t_data = np.array([0.5, 1.0, 1.5, 2.0])
y_data = np.array([6.8, 3., 1.5, 0.75])

def func_nl_lsq(x, t=t_data, y=y_data):
    return x[0]*np.exp(x[1]*t) -  y
    # removed one level of []'s

scipy.optimize.least_squares(func_nl_lsq, [0, 0])

字符串
另外，请注意，@MadPhysicist的评论是正确的：你正在考虑的两个问题（初始问题和模型函数为对数的问题）并不等价。请注意，如果您将对数应用于模型函数，则也将其应用于残差，并且 * 残差平方和 * 现在意味着不同的东西。这会导致不同的优化问题和不同的结果。

scipy.otimize.curve_fit可以用来拟合数据。我认为你只是没有正确使用它。我假设你有一个给定的t和y，并试图拟合一个形式为x1*exp(x2*t) = y的函数。
你需要

ydata = f(xdata, *params) + eps

字符串
这意味着你的函数没有被正确定义。你的函数应该看起来像

def func_nl_lsq(t, x1, x2):
    return x1*np.exp(x2*t)

型
这取决于你真正想要拟合什么。这里x1和x2是你的拟合参数。也可以这样做

def func_nl_lsq(t, x):
    return x[0]*np.exp(x[1]*t)

型
但是你可能需要提供一个初始的猜测p0。