最小二乘法是一种数学优化技术，它通过最小化误差的平方和来寻找数据的最佳函数匹配。在编程实现中，最小二乘法可以通过多种方法来完成，包括手动计算和使用现成的数学库。以下是使用Python语言和numpy库实现最小二乘法的示例代码：
```python
import numpy as np
示例数据
x = np.array（[1, 2, 3, 4, 5]）
y = np.array（[2.1, 4.0, 6.3, 8.1, 9.9]）
使用numpy的polyfit函数进行一次函数拟合
p = np.polyfit（x, y, 1）
使用numpy的polyval函数计算拟合后的函数值
y_fit = np.polyval（p, x）
打印拟合参数
print（"拟合参数：", p）
绘制原始数据和拟合直线
import matplotlib.pyplot as plt
plt.plot（x, y, 'ro', 'MarkerSize', 8） 原始数据
plt.plot（x, y_fit, 'b-', 'LineWidth', 2） 拟合直线
plt.title（'原始数据与拟合直线'）
plt.xlabel（'X'）
plt.ylabel（'Y'）
plt.legend（['原始数据', '拟合直线']）
plt.grid（True）
plt.show（）
```
在这段代码中，我们首先导入了numpy库，然后定义了输入数据`x`和`y`。接着，我们使用`np.polyfit`函数进行了一次函数拟合，其中`1`表示一次函数。最后，我们使用`np.polyval`函数计算了拟合后的函数值，并使用matplotlib库绘制了原始数据和拟合直线的图形。
请注意，这个例子使用了一次函数进行拟合。如果需要拟合更高次的多项式，可以更改`np.polyfit`函数中的参数。例如，使用`2`将拟合二次函数，使用`3`将拟合三次函数，以此类推。
在实际应用中，如果数据存在多重共线性或噪声，可能需要考虑使用正则化方法或其他技术来提高拟合的稳定性和准确性。