思路
第一步，画出现有数据的散点图，大致了解其分布规律
第二步，利用现有数据拟合出曲线，求解拟合曲线的参数
第三步，利用拟合曲线对未来预测
下面严格按照这散布走模式进行
第一步 散点图
按照时间序列将确诊病人数在坐标轴上描出散点，同时添加坐标的标签，顺便更改横坐标的刻度标签，使得其看起来像随时间变化而变化的。
#散点图
fig=plt.figure(figsize=(16,8)) #建立画布
ax=fig.add_subplot(1, 1, 1)
ax.scatter(t,confirm, color="k", label="确诊人数") #真实数据散点图
ax.set_xlabel("天数") #横坐标
ax.set_ylabel("确诊人数") #纵坐标
ax.set_title("确诊人数随时间变化情况") #标题
#ax.set_xticklabels(['', '1月13号', '1月18号','1月23号','1月28号', '2月2号', '2月7号','2月13号','2月20号'], rotation=30, fontsize=12) #自定义横坐标标签
ax.set_xticklabels(['','1月13号', '1月23号', '2月2号', '2月10号','2月20号','3月1号','3月10号'], rotation=30, fontsize=10) #自定义横坐标标签
第二步 拟合
一般的拟合有两种方法，第一种用多项式拟合，因为多项式是最简单的函数结构，且任何一个连续函数都可以转化为多项式；第二种是用确定的函数拟合，需要先定义出函数表达式，这里采用logistic函数，因为从散点图可以看到这些散点大致分布在“S”形曲线的前半部分上，logistic函数表达式如下
其中
K为环境容量，即增长到最后，f(t)能达到的极限
P0为初始容量，就是t=0时刻的数量。
r为增长速率，r越大则增长越快，越快逼近K值，r越小增长越慢，越慢逼近K值。
首先定义出logistic函数，其中K,P0,r是待求的参数，然后调用from scipy.optimize里面的curve_fit函数进行拟合，会得到拟合参数，接着把拟合曲线也绘制出来
def logistic(t,K,P0,r): #定义logistic函数
exp_value=np.exp(r*(t))
return (K*exp_value*41)/(K+(exp_value-1)*41)
coef, pcov = curve_fit(logistic, t, confirm) #拟合
print(coef) #logistic函数参数
y_values = logistic(t,coef[0],coef[1],coef[2]) #拟合y值
plt.plot(t,y_values,color="blue",label="拟合曲线") #画出拟合曲线
第三步 预测
有了拟合曲线的参数就能够得到疫情变化函数表达式
其中ttt是自变量，单位是天数，fff因变量，表示是确诊人数，单位是人，该表达式表示随着天数的增加确诊人数的变化情况，大约2月11号左右出现平稳点，疫情得到有效控制。
最终图
预测数据
category=OptimizeWarning)
[7.49955152e+04 1.00000000e+00 2.93414741e-01]
完整代码
最后给出完整代码，可以不断注释掉去看
# -*- coding: utf-8 -*-
"""
Created on Tue Feb 18 22:19:32 2020
project name:2019-nCoV logistic模型
@author: berlin
"""
import numpy as np #导入数值计算模块
import pandas as pd #导入数据处理模块
import matplotlib.pyplot as plt #导入绘图模块
from scipy.optimize import curve_fit #导入拟合模块
plt.rcParams["font.sans-serif"]="SimHei" #黑体中文
plt.rcParams["axes.unicode_minus"]=False #显示负号
data=pd.read_csv("./data/每日病例.csv") #读取数据
date=data['date'] #日期
confirm=data['confirm'] #确诊数
t=range(len(confirm)) #构造横轴
#散点图
fig=plt.figure(figsize=(16,8)) #建立画布
ax=fig.add_subplot(1, 1, 1)
ax.scatter(t,confirm, color="k", label="确诊人数") #真实数据散点图
ax.set_xlabel("天数") #横坐标
ax.set_ylabel("确诊人数") #纵坐标
ax.set_title("确诊人数随时间变化情况") #标题
#ax.set_xticklabels(['', '1月13号', '1月18号','1月23号','1月28号', '2月2号', '2月7号','2月13号','2月20号'], rotation=30, fontsize=12) #自定义横坐标标签
ax.set_xticklabels(['','1月13号', '1月23号', '2月2号', '2月10号','2月20号','3月1号','3月10号'], rotation=30, fontsize=10) #自定义横坐标标签
#拟合
def logistic(t,K,P0,r): #定义logistic函数
exp_value=np.exp(r*(t))
return (K*exp_value*41)/(K+(exp_value-1)*41)
coef, pcov = curve_fit(logistic, t, confirm) #拟合
print(coef) #logistic函数参数
y_values = logistic(t,coef[0], coef[1], coef[2]) #拟合y值
ax.plot(t,y_values,color="blue", label="拟合曲线") #画出拟合曲线
x=np.linspace(23,66,36) #构造期货日期
y_predict=logistic(x,coef[0], coef[1], coef[2]) #未来预测值
ax.scatter(x,y_predict, color="green",label="未来预测") #未来预测散点
ax.legend() #加标签
参考文献
2.https://blog.csdn.net/zengbowengood/article/details/104193518