您的数据看起来是对数的。尝试使用 scipy.optimize curve_fit() 函数来找到近似的对数系数。我尝试了几个内置的 python 函数，但无法很好地适应其中的任何一个，但可以将它们用作起点。

最后，我在您发布的数据上运行了 curve_fit() 函数，经过一些调整，我能够在这张图表上生成绿线。蓝线是您的原始数据。它们靠得很近，很难看出区别。黄线是 curve_fit 给我的最佳拟合线。

我还包括了外推点（再次是绿线）和下面接下来 15 个点的值。如您所见，该线对 x 轴渐近。

仅供参考，我的调整包括将 np.log() 添加到分母以转换日志的基数。另外，我将截距更改为 1，因为这是您的数据开始的地方。如果您想自动执行此操作，您可以编写一些函数来迭代日志基数和截距的不同值。我在代码中包含了注释以获取更多详细信息。

import matplotlib.pyplot as plt  # Matlab-style plotting
import numpy as np
import scipy
from scipy.optimize import curve_fit
x = [1.0,2.0,3.0,4.0,5.0,6.0]
x2 = np.arange(0, 22.0, 1.0)
y = [1.0, 0.488, 0.300, 0.213, 0.163, 0.127]
x = np.array(x)
y = np.array(y)

plt.plot(x,y)
# get the approximate values for the log function
data = scipy.optimize.curve_fit(lambda t,a,b: a+b*np.log(t),  x,  y, p0=(1, 1))
# plot those values, the fit is not very good
y1 = data[0][0] + data[0][1]*np.log(x) # yellow
plt.plot(x,y1)
# original coefficients were .91 and -.48
# adjust the 2 coefficents until you get a better fit
# first coefficient is like the intercept but for the line of x of 1, not the y axis
# I also changed the log base value by including the np.log() on the denominator, 
# this gives the line a larger curve than the original
y2 = 1.0 - np.log(x2)/np.log(x2+1.9) # green
plt.plot(x2,y2)
plt.show

data

(array([ 0.91083753, -0.48242954]),
 array([[ 0.00543936, -0.00380311],
        [-0.00380311,  0.00346828]]))

y2

array([       inf, 1.        , 0.49069866, 0.30871637, 0.21896813,
       0.16675119, 0.13310187, 0.10985155, 0.09295092, 0.08018302,
       0.0702405 , 0.06230656, 0.05584666, 0.05049745, 0.04600401,
       0.04218259, 0.03889766, 0.03604721, 0.03355312, 0.03135462,
       0.02940378, 0.02766231])