最小二乘法拟合数据：

scipy.optimize.leastsq(func, x0, args=(), Dfun=None, full_output=0, col_deriv=0,
  ftol=1.49012e-08, xtol=1.49012e-08, gtol=0.0, maxfev=0, epsfcn=None, 
  factor=100, diag=None)

• func：是个可调用对象，给出每次拟合的残差。最开始的参数是待优化参数；后面的参数由args给出
• x0：初始迭代值
• args：一个元组，用于给func提供额外的参数。
• Dfun：用于计算func的雅可比矩阵（按行排列）。默认情况下，算法自动推算。它给出残差的梯度。最开始的参数是待优化参数；后面的参数由args给出
• full_output：如果非零，则给出更详细的输出
• col_deriv：如果非零，则计算雅可比矩阵更快（按列求导）
• ftol：指定相对的均方误差的阈值
• xtol：指定参数解收敛的阈值
• gtol：Orthogonality desired between the function vector and the columns of the Jacobian
• maxfev：设定算法迭代的最大次数。如果为零：如果为提供了Dfun，则为 100*(N+1)，N为x0的长度；如果未提供Dfun,则为200*(N+1)
• epsfcn：采用前向差分算法求解雅可比矩阵时的步长。
• factor：它决定了初始的步长
• diag：它给出了每个变量的缩放因子

返回值：

• x：拟合解组成的数组
• cov_x：Uses the fjac and ipvt optional outputs to construct an estimate of the jacobian around the solution
• infodict：给出了可选的输出。它是个字典，其中的键有：
  • nfev：func调用次数
  • fvec：最终的func输出
  • fjac：A permutation of the R matrix of a QR factorization of the final approximate Jacobian matrix, stored column wise.
  • ipvt：An integer array of length N which defines a permutation matrix, p, such that fjacp = qr, where r is upper triangular with diagonal elements of nonincreasing magnitude
• ier：一个整数标记。如果为 1/2/3/4，则表示拟合成功
• mesg：一个字符串。如果解未找到，则它给出详细信息

假设我们拟合的函数是 f(x,y;a,b,c)，其中 a,b,c 为参数。假设数据点的横坐标为 X，纵坐标为 Y，那么我们可以给出func为：

def func(p,x,y):
    a,b,c=p.tolist() # 这里p 为数组，形状为 (3,)； x,y 也是数组，形状都是 (N,)
    return f(x,y;a,b,c))

其中 args=(X,Y)

而雅可比矩阵为 [∂f/∂a,∂f/∂b,∂f/∂c]，给出Dfun为：

 def func(p,x,y):
    a,b,c=p.tolist()
    return np.c_[df/da,df/db,df/dc]# 这里p为数组，形状为 (3,)；x,y 也是数组，形状都是 (N,)

其中 args=(X,Y)