企业官网建设流程全解析

做数据分析的人大概都遇到过这种尴尬：一张散点图摆在眼前，前面一段走直线，后面突然拐了弯，你用 Origin 自带的线性拟合、多项式拟合轮番上阵，结果总是一端压住了、另一端就飞出去。于是自然会想：Origin 到底能不能做分段拟合？答案是能，但它确实没有一个像 Excel 趋势线那样一键出结果的分段拟合按钮，需要你把思路理顺之后自己搭。这篇文章我就把在 Origin 里做分段拟合的完整经验写出来，包括两种主流做法、断点处理思路、连续约束的实现，以及一堆只有实际跑过才会碰到的坑。

1. 先判断：你的数据到底该不该分段

1.1 三种一眼就该分段的曲线形状

不是所有弯弯曲曲的数据都适合分段拟合，但有些数据天生就该分。

最常见的是材料拉伸曲线。应变从零到某个临界点之前，应力随应变线性上升，这是弹性段，斜率就是弹性模量；过了屈服点之后，材料进入塑性硬化阶段，曲线斜率明显变小，甚至二次硬化、颈缩下降都有。两段背后的物理机制完全不同，你不可能用一条直线描述整个过程，硬用高次多项式去追，也只会追出一个没有物理意义的曲线。

第二种典型是吸附动力学或热重分析。初始阶段快速失重、快速吸附，曲线陡峭；经过某个时间点后进入平台期，变化速率骤降。这个转折点往往对应表面活性位点耗尽或反应物浓度下降，分段拟合可以把快反应和慢反应两个子过程分开描述。

第三种是某些响应曲线，比如半导体传感器的电阻-温度关系、催化剂活性-温度曲线，经常存在“低温区一个机制、高温区换了机制”的切换。气体传感器电阻在对数坐标下往往分成两段直线，低温段受表面吸附控制，高温段受晶界势垒控制，拐点就是机制切换的标志。

这类场景的共同特征是：存在明确的拐点或机制切换点，而且每一段都有相对简单的函数形式。如果你的数据只是整体平滑弯曲，那不属于“非分不可”，可能用指数、幂律或对数变换就能全局拟合，没必要引入分段复杂度。

1.2 为什么局部拟合好过硬拉一条高次多项式

有人会问，分段拟合多麻烦，我直接用一个五次多项式把整条曲线撸一遍行不行？行，但结果往往很丑。

高次多项式在拟合“前段直线、后段直线”这类数据时，必须靠多次项在中间制造拐弯。拟合误差可能不大，但曲线会在两端剧烈摆动，外推一点点就离谱，而且系数之间互相抵消，每个系数单独看都没有意义。这在数学上叫多项式端点振荡，是 Runge 现象的老问题。

分段拟合的本质是承认“不同区间由不同规律支配”。每一段用一个简单模型，参数本身就对应物理量，比如弹性模量、硬化系数、吸附速率常数。这样做出来的结果能解释、能外推、能跟别人讨论，不只是“画了一条穿过点的线”。

所以我的建议是：先做一次全局拟合，看残差是否呈现明显的系统性偏差；如果有、又能在数据背后找到机制切换的理由，那就大胆分段。

2. 准备动作：找拐点、定分段数、决定断点处要不要连续

2.1 用一阶微分把拐点从噪声里找出来

很多人找拐点靠肉眼，这在小噪声、大样本时还行，数据稍微乱一点就麻烦——同一个点，上午看成拐点，下午看成噪声。

更可靠的办法是用一阶导数定位。对连续的物理过程，拐点本质上就是斜率发生明显变化的位置。比如弹塑性拉伸曲线，弹性段斜率恒定为弹性模量，进入塑性段后斜率下降，下降发生的位置就是屈服点附近。

在 Origin 里操作分两步。先平滑，菜单路径是 Analysis > Signal Processing > Smooth，选 Savitzky-Golay，窗口和多项式阶数根据噪声水平调节，窗口选 5 到 15 比较常见。然后做微分，Analysis > Mathematics > Differentiate，对平滑后的曲线求一阶导数。

把微分曲线画出来之后，斜率平台切换的位置会非常清楚。我处理过一组带较强噪声的拉伸数据，直接看散点图根本定不准屈服点在 0.048 还是 0.055，但平滑微分之后，一阶导数在 0.051 附近出现一个明显的台阶，这就把拐点位置锁定了。

如果一阶导数还是不够清晰，可以做二阶导数，看极值位置，不过那通常是在数据比较光滑时才用。

2.2 断点的三种处理模式：固定、扫描、参数化

拐点找到之后，断点怎么处理是决定拟合成功与否的关键。有三种模式。

第一种，固定断点。如果断点有理论支撑或行业标准，比如屈服强度规定用 0.2% 残余应变对应的应力，那就直接把断点写死成 0.002。这种情况下拟合最稳定，表达式最简单。

第二种，手动扫描。断点不确定但大概在一个范围内，比如 0.045 到 0.06 之间。那就在这个范围里按步长取若干个值，每个值固定断点做一次拟合，记录残差平方和 SSE，画一条 SSE 随断点变化的曲线，取谷底对应的断点。这个做法本质上是把断点当作超参数来优化，比直接当成拟合参数稳很多。

第三种，把断点写进自定义函数当作拟合参数，让 Origin 自动优化。这个方法理论上最省事，但实际上坑很多，后面 5.1 节会详细讲。先记住结论：断点参与拟合容易不收敛，优先选固定或扫描。

2.3 C0 连续还是允许跳跃：数学模型要贴近物理本质

分段拟合还有一个必须提前做决定的点：两段曲线在断点处是否要求连续。

如果要求两段端点重合，这在数学上是 C0 连续。弹塑性双线性模型就是典型的 C0 连续：弹性段末端应力等于塑性段起始应力，材料不会在屈服点发生应力突变。连续约束会让曲线看起来自然，也能减少一个自由参数。

如果两段是独立拟合出来的，那断点处大概率会有一个台阶，也就是应力跳变。有些场景允许这种跳变，比如昼夜交替条件下某些环境参数的变化，两个状态本来就是突变的。

还有一种情况是要求 C1 连续，也就是断点处不仅位置重合，切线斜率也相同。这个在分段拟合里要慎用，因为如果两段都是斜率为正的直线，斜率相同意味着它们其实是同一条线，分段就没有意义了。C1 连续通常用于分段多项式样条，那是另一种处理思路。

我的原则很简单：连续过程选 C0，突变过程允许跳跃，不要盲目追求高阶光滑。

3. 最稳的做法：拆成两段数据，独立拟合再合图

3.1 拆分工作表的操作和容易出错的地方

如果不想碰自定义函数，最直接的办法就是把数据拆成两段，分别用 Origin 自带的拟合工具跑，然后把结果拼到一张图里。

先说拆分。假设工作表里 A 列是应变，B 列是应力，拐点在 0.05。你可以选中应变小于等于 0.05 的所有行，复制，粘贴到 C 列和 D 列，分别命名 strain_1 和 stress_1；再把应变大于 0.05 的行复制到 E 列和 F 列，命名 strain_2 和 stress_2。这样原数据一分为二。

有一个容易出错的细节：如果数据里恰好有一个点在断点上，这个点该归哪段？我建议把它归入第一段，第二段从下一个数据点开始。一个点同时参与两段拟合会让断点附近的结果被过度加权，反而不好。

拆完之后，建议先分别画一次散点图确认分段位置正确，别急着拟合。我就犯过把两段选反的错，第一段用了后半段数据，拟合出来斜率是负的，整个人都懵了。

3.2 第一段线性拟合与第二段非线性拟合的菜单路径

拆分之后，对第一段进行线性拟合。选中 strain_1 和 stress_1 两列，菜单路径 Analysis > Fitting > Linear Fit，对话框里确认输入数据范围。

这里有一个很实用的选项：如果第一段理论上应该过原点，比如线弹性段的应力-应变关系是应力等于弹性模量乘以应变，没有初始应力，那就在 Linear Fit 对话框里勾选 Fix Intercept at 0，强制截距为 0。否则拟合出的截距可能是个不合理的负数。

第二段如果是直线，直接同样的线性拟合。如果第二段是曲线，用 Analysis > Fitting > Nonlinear Curve Fit，在函数库里面选模型，比如二次多项式、指数、幂函数，甚至自定义。NLFit 的操作和普通线性拟合不太一样，要选函数、填初值、点迭代，这个流程我放到下一章配合自定义函数一起讲。

独立拟合的好处是每段可以使用 Origin 函数库里的任意模型，线性就用 Linear Fit，非线性就用 NLFit，不需要写一行公式。

3.3 把独立拟合曲线合并进原图的三个步骤

独立拟合完成后，Origin 会自动在当前工作表旁边生成拟合结果列，类似 FitLinear1 的 X 列和 Y 列。我们要做的就是把它们加到原始数据那张图里。

操作三步：右键图形的图层图标，选择 Layer Contents，打开图层内容对话框；把 FitLinear1 对应的 Fit 列添加进去；在 Plot Details 里调整线型、颜色，让它和原始数据区分开。

多数情况下，线性拟合输出的 Fit 列只覆盖参与拟合的数据范围，所以图上不会出现超出区间的内容。如果发现某条拟合曲线“蹿”出了区间，多半是在拟合前选中了整列而不是区间数据，回去检查一下输入范围就行。

把两条拟合曲线都加上之后，如果有断点错位的问题，看 3.4 节的处理方法。

3.4 独立拟合的限制：断点处出现台阶怎么办

独立拟合最明显的短板是两段参数互不约束，断点处可能出现台阶。第一段在 0.05 处算出的应力是 102 MPa，第二段从 0.051 开始拟合，外推回 0.05 处可能变成 95 MPa。图形上就是两段直线在断点处错开。

如果物理上要求 C0 连续，可以用一个技巧：对第二段做“以断点为原点”的回归。具体来说，新建列 dx = x - 0.05，dy = y - y0，其中 y0 是第一段在断点处的预测值，然后对 dx 和 dy 做线性拟合，并勾选 Fix Intercept at 0。这样第二段直线必然从断点处接上第一段，连续约束就实现了。

这个方法的好处是完全不依赖自定义函数，用的是 Origin 自带功能，适合不想写表达式的人。缺点是参数在拟合前就要做一系列数据变换，步骤多一点，而且 y0 本身有第一段拟合误差，这个误差没有传递到第二段的统计结果里。要求严格的话，还是推荐下一章的自定义函数方案。

4. 进阶做法：自定义分段函数，一次拟合出带连续约束的结果

4.1 从 Fitting Function Builder 开始：函数类型与表达式写法

如果你希望把两段拟合一次做完，而且断点处严格连续，那就要用到自定义分段函数。

先打开函数构造器，菜单路径 Tools > Fitting Function Builder。选择创建一个新函数，类型选 User Defined，下面的表达式选 Expression。给函数起个名字，比如 PLSeg2，这个名字之后会出现在 NLFit 的函数列表里，起得短一点、不带空格比较好。

接着设置参数。因为我们要做一个连续的双线性分段函数，需要三个自由参数：第一段斜率 a1、第一段截距 b1、第二段斜率 a2。注意这里故意没有设 b2，原因后面马上讲。

函数体可以写成一个分段表达式。Origin 的表达式里支持逻辑判断相乘，也就是当条件成立时返回 1、不成立时返回 0，这是我最推荐的写法。

4.2 用条件判断写分段表达式，两种写法都给你

假设断点固定为 0.05。第一种写法是用 if 函数：

y = if(x < 0.05, a1*x + b1, a2*x + b2);

这个写法很直观，前半段是第一条直线，后半段是第二条直线。但需要 b2 作为一个独立参数，四条参数一起拟合，断点处连续与否完全不受约束。

第二种写法是用逻辑值相乘：

y = (x < 0.05) * (a1*x + b1) + (x >= 0.05) * (a2*x + b2);

两种表达式在 Origin 里都能跑。就我个人经验，逻辑值相乘的写法在非线性迭代里的解析稳定性更好，尤其是当你之后想在表达式里叠加复杂分支条件时，if 嵌套一旦写多就容易出现解析错误。所以下面的连续版表达式我都用逻辑值相乘来写。

4.3 连续约束用消参实现：a1 x0 + b1 = a2 x0 + b2

如果两段要求在断点处 C0 连续，也就是第一段在 0.05 处的值等于第二段在 0.05 处的值，需要满足：

a1 * 0.05 + b1 = a2 * 0.05 + b2

把这个等式整理一下，b2 就可以用其他三个参数表示：

b2 = a1 * 0.05 + b1 - a2 * 0.05

把 b2 代回第二段表达式，分段函数就变成：

y = (x < 0.05) * (a1*x + b1) + (x >= 0.05) * (a2*(x - 0.05) + a1*0.05 + b1);

这个表达式的含义很漂亮：第二段是从断点处出发、斜率为 a2 的一条直线，它在断点的起点高度正好由第一段决定。这样一来，参数从四个减到三个，拟合更稳定，而且每一段参数的物理意义都很清晰。

材料双线性弹塑性模型写出来就是这个形式的。低应变段斜率为弹性模量，高应变段斜率为切线硬化模量，交点处应力严格连续，完全符合固体力学常识。

4.4 在 NLFit 里给初值、跑迭代需要注意什么

自定义函数保存好之后，打开 Analysis > Fitting > Nonlinear Curve Fit，在函数列表里找到 User Defined 下面的 PLSeg2。

NLFit 左侧有若干页面：Data Selection、Function、Parameters、Bounds 等。先确认 Function 选的是 PLSeg2，再回到 Parameters 页面填初值。

初值怎么给？从图上读。对上面的拉伸数据，低应变段斜率目测在 2000 MPa 左右，所以 a1 填 2000；低应变段截距几乎为零，b1 填 0；塑性段斜率明显变缓，目测 400 到 600 之间，a2 填 500。这些初值不需要精确，但量级必须对，否则迭代很容易飞掉。

填好初值之后，点左侧的 Fit 按钮开始迭代。正常情况下可以看出 Chi-Square 从几百降到个位数，参数逐渐收敛。迭代结束后，结果工作表会输出参数值、标准误差、约化卡方、R 平方等指标。

如果点完 Fit 之后参数直接变成 NaN 或者明显不合理，先别慌，绝大多数是初值量级问题，参考第 5 节排查。

5. 拟合失败排查：初值、断点、收敛，三个坑一次性讲透

5.1 断点当成拟合参数为什么容易翻车

这是分段拟合新手最容易踩的坑。为了省事，有人会把断点 x0 也写进自定义函数当自由参数，让 Origin 自己找最优断点，表达式看起来也很简洁：

y = (x < x0) * (a1*x + b1) + (x >= x0) * (a2*x + b2);

理论上这是可以的，但实际跑下来多半会翻车。原因在于 Origin 的 NLFit 默认用的是基于梯度的 Levenberg-Marquardt 算法，这个算法要求目标函数对参数是光滑的，至少局部要能求导。而由 if 或逻辑判断产生的分段边界处，目标函数对 x0 的导数根本不连续，梯度一碰到断点就会跳变，迭代极易卡在局部极小甚至来回震荡。

我见过最典型的情况是 x0 在两次迭代之间来回跳：0.049 和 0.052 反复横跳，其他参数的稳定性也一起被带崩。

所以我的建议非常明确：想把断点交给机器找，就老老实实用 2.2 节的扫描法，固定断点反复拟合，画 SSE-断点曲线找谷底。断点扫描得到的残差曲线往往会有一个很宽的谷，取谷底就行了。这种方法虽然笨，但每一步都可控、可解释，尤其适合论文或报告场景。

5.2 初值给量的逻辑：先用图上的直线段估一次

很多时候拟合发散只怪初值太随便。记住一个原则：初值要从图上读，不要从空气里猜。

打开散点图，看第一段直线的斜率大概是多少。如果你在图上看到应变从 0 到 0.05，应力从 0 涨到 100 MPa，那斜率就是 100 除以 0.05 等于 2000，填 2000。截距就是直线延长线在零应变处的值，大约为零就填 0。第二段同理。

另外一个好习惯是先做一个粗略的线性回归作为初值参考。选中第一段数据，快速跑一次 Linear Fit，把拟合出的斜率和截距抄进 NLFit 的参数初值里，这样成功率会高很多。

如果还是发散，还有一个压箱底的办法：先固定部分参数。比如在 Parameters 页面把 a1 固定为 2000，只让 b1 和 a2 参与拟合，跑通之后再解除 a1 的固定，全部参数一起做一次最终的迭代。这个“先固定一部分、再全部释放”的思路，在处理多参数模型时屡试不爽。

5.3 我的三步排查清单，从发散到收敛的实操记录

如果你按照上面的流程还是没跑通，按照下面这个三步清单排查。

第一步，检查模型形状和散点形状是否匹配。表达式选了线性模型，散点却是明显弯曲的，再怎么调参数都不可能收敛。先在 Function 页面里用“预览”功能看一眼函数曲线形状大致是什么走向，方向不对就换模型。

第二步，检查参数的量级是否合理。在 Parameters 页面，把初值跟真实物理量级比一下。如果你拟合的是一个 10 的负 4 次方量级的系数，初值却填了 100，梯度每一步都可能让参数飞出合理范围。这时候可以先把一个参数 Fix 住，拟合其他参数，找到合理值后再全部放开。

第三步，检查表达式中断点使用的区间是否写反。我遇到过把 x < 0.05 写成 x > 0.05 的情况，结果第一段拟合了后半段、第二段拟合了前半段，参数符号全部反过来，看起来像是收敛了，实际上完全错位。验证方法很简单：用拟合出的参数手动算几个点，对比原始数据，一眼就能看出问题。

5.4 怎么判断结果是“拟合出来”而不是“凑出来”

参数收敛后，别急着欢呼。判断拟合质量，要问三个问题。

第一，参数标准误差是否远小于参数值？如果拟合出的 a2 标准误差是 500，而 a2 本身只有 480，这意味着这个参数根本不确定，模型可能被数据撑不起来。第二段如果数据太少或噪声太大，这种情况很常见。结论通常是：别分两段了，或者需要补数据。

第二，残差是不是随 x 呈现系统性变化？在 Origin 里生成残差列之后画残差对 x 的散点图，如果残差呈现 U 形或趋势性爬坡，说明拟合模型在某个区间仍然不合适，要么断点位置不对，要么函数形式不对。残差应该在零线左右随机分布。

第三，分段模型的优越性是否经得起统计检验？一个简单做法是比较简化 AIC。同一起点下，单一线性模型如果残差平方和 SSE_1 = 0.85，分段拟合 SSE_2 = 0.12，样本数 n = 20，单一模型参数个数 m_1 = 2，分段模型 m_2 = 3，那么简化 AIC 差值为 n * ln(0.85/0.12) + 2*(2 - 3) = 20 * 1.957 - 2 = 37.14，明显支持分段模型。如果差值很小甚至为负，分段拟合就是画蛇添足。

最重要的还是那句大白话：参数必须能用来讲道理。分段拟合出来的 a1 如果根本不等于已知弹性模量，你得先怀疑拟合对不对，而不是怀疑弹性模量测错了。

6. 结果评价与出图：让分段拟合经得起审稿人、导师和老板的追问

6.1 光看 R 平方不够，残差和参数误差才说明问题

R 平方在分段拟合场景下非常具有欺骗性。因为分段拟合本来就是为了贴合数据形状，每多分一段 R 平方必然上升。我记得有一次给一个两段直线数据做拟合，单一线性模型的 R 平方只有 0.87，分段之后就变成 0.993，看起来脱胎换骨，但实际上只要参数没有物理意义，这个提升就是镜花水月。

所以我在报告里一定会附上三样东西：拟合参数表、参数标准误或置信区间、残差图。

参数表要包含每一段的斜率和截距，标注断点位置。置信区间如果包含 0，就要说明这个参数可能没有统计显著性。残差图则是用来证明残差随机性的，这在论文里是很有说服力的证据。

6.2 断点竖线、拟合曲线和置信带的出图细节

出图是分段拟合里很容易被忽视但同样重要的环节。

断点位置必须画出来。最直接的方法是在工作表中新建列，X 填两个相同的断点值，比如 0.05 和 0.05，Y 填一组从最小值到最大值之间的等间隔值，然后把这一列作为折线加到图上。这样断点处就有一条竖直参考线，读者一眼就能看到机制切换的位置。

拟合曲线方面，在 NLFit 对话框里通常可以选择是否生成置信带或预测带。如果你的 Origin 版本支持，执行完拟合后回到图里，双击拟合曲线，在 Plot Details 里能找到置信带的显示开关。画出来之后，建议用浅色填充区域表示置信区间，注意不要盖住原始数据点。

图例也需要整理。在 Origin 里右键图例，选择 Properties，可以把图例改成横向排列，避免占太多垂直空间。我一般会在图例里把各条线的名称改成有意义的物理标签，比如 Elastic Region、Plastic Region，而不是默认的 B 列、C 列。这样图面干净，拿出去就能用。

6.3 分段数是机制数，不是自由数：过拟合的边界

最后必须泼一盆冷水。分段拟合最大的风险是过拟合，尤其是当你发现“三段直线拟合比两段直线拟合 R 平方更高”的时候。

分段数应该等于你相信的物理机制数，而不是数据特征数。两段直线背后是两个变形机制，三段直线背后就必须有第三个机制的理由。如果只是为了让曲线更贴合而不断加分段，那你本质上在用折线插值数据点，拟合参数的置信区间会越收越紧，但预测意义基本归零。

判断过拟合还有一个简单信号：对每个分段做外推。把第一段拟合直线外推到断点之后很远的位置，看新预测值是否荒谬。如果外推结果完全不合理，说明这个模型只能描述局部，不能作为整体解释，那就要重新审视分段方案了。

我在实际操作中还有一个习惯：把数据随机分成两部分，用前半部分拟合，用后半部分验证预测误差。如果验证误差远大于拟合误差，多半是过拟合。这个方法在分段拟合这种参数较多的模型里特别能说明问题：模型不是用来记住数据的，是用来预测没见过的数据的。

最后再分享一点个人体会。分段拟合这件事，真正考验人的不是 Origin 的操作，而是你对数据背后机制的理解。断点位置能不能讲清道理，每个参数有没有物理含义，远比 R 平方的小数点后面多一位重要。我现在的流程固定成三步：先靠平滑微分定位拐点，再固定断点做连续分段拟合，最后用残差和参数误差验证结果。你按照这个思路走一遍，会发现 Origin 里看起来麻烦的分段拟合，其实是件很顺手的事。