根据您的最后评论（您可能有多个测量值并且您不在乎某组测量值是高于还是低于拟合），我认为您正在寻找的是样条拟合。您可以使用 scipy.interpolate B-spline 例程来执行此操作。下面的脚本基于一个函数生成三组数据（您可以考虑为您的系统建模）。对于第一组，它为函数“上方”（红点）添加了一些随机误差，第二组在下方（蓝点），第三组在上方和下方（绿点）。黑线是精确函数的图（没有错误）。

然后使用该scipy.interpolate.splrep函数为该数据生成 B 样条表示。B 样条是多项式函数的分段组合，通常是三次多项式（三次 B 样条），具有一些不错的特性。如果您想了解更多关于它们的信息，我强烈建议您阅读 C. de Boor 和 P. Dierckx 的作品。该scipy.interpolate.splrep函数返回结、系数和顺序的元组。使用该scipy.interpolate.splev函数，您可以在拟合区间内的多个点中评估 B 样条表示。

下面的脚本以洋红色绘制了 B 样条的评估。

import numpy as np
import matplotlib.pyplot as plt
import scipy.interpolate as ip

def f(x):
    return np.sin(np.pi*2*x)*np.exp(-2*x)

N=20
err=0.15

data = np.zeros([3*N,2])

#red dots above curve
data[:N,0] = np.sort(np.random.rand(N))
data[:N,1] = f(data[:N,0])+err*np.random.rand(N)

#blue dots below curve
data[N:2*N,0] = np.sort(np.random.rand(N))
data[N:2*N,1] = f(data[N:2*N,0])-err*np.random.rand(N)

#green dots above and below curve
data[2*N:,0] = np.sort(np.random.rand(N))
data[2*N:,1] = f(data[2*N:,0])-2*err*(np.random.rand(N)-0.5)

plt.plot(data[:N,0],data[:N,1],'ro')
plt.plot(data[N:2*N,0],data[N:2*N,1],'bo')
plt.plot(data[2*N:,0],data[2*N:,1],'go')

data = data[data[:,0].argsort()]
x = data[:,0]
y = data[:,1]
y_exact = f(x)


plt.plot(x,y_exact,'k')

w = np.ones([len(x),1])
spl = ip.splrep(x,y,w)

xn = np.linspace(0,1.0,100)
sple = ip.splev(xn,spl)

plt.plot(xn,sple,'m')

plt.show()

要在给定点的红色和黑色标记的情况下重现您的特定图形，您可以使用一块 voronoi 图。换句话说，您的黑线将是最近的红点和最近的黑点之间等距的点集。

但是假设你想做一些不那么做作的事情，你可以使用某种非线性 svm 来代替。例如这里如图所示。

获得连续分段线性近似的一个简单想法是对每对点（红色和相应的黑色）求平均值，并对这些平均值进行分段线性插值。这将产生与您展示的内容接近的东西。（但是，它不使用回归）

这能满足你的需要吗？

对于实现，我认为你可以手动完成，方法很简单。