一种常用的拟合函数选择方法是使用回归分析来找到最佳拟合函数。
回归分析通过检查数据分布和关系来确定一个数学模型，以便通过最小化残差平方和来拟合数据。
这个方法可以用于直线拟合（线性回归）、曲线拟合（非线性回归）或多项式拟合，具体取决于数据的形状。
在选择拟合函数时，关键是找到一个能够较好地拟合数据的函数形式。
这可以通过绘制散点图和观察数据的趋势来实现。
如果数据呈现线性趋势，那么选择线性回归函数可能是合适的。
如果数据呈现曲线趋势，那么可以尝试非线性回归函数，如指数函数、对数函数、幂函数等。
如果数据复杂且无明显趋势，可以考虑使用多项式函数进行拟合。
最后，选择拟合函数应该使用统计指标来评估模型的拟合质量。
在线性回归中，可以使用R方值和残差平方和来评估拟合效果，值越接近1且残差平方和越小，拟合效果越好。
在非线性回归中，可以使用曲线的拟合度和残差平方和来评估拟合效果。
总之，在选择与`origin`拟合函数时，应基于数据的趋势和形状，选择对数据拟合效果较好的函数形式，并使用统计指标评估拟合质量。