大家好,我对python已经很熟悉了,但这是我第一次使用python进行数据分析,我想知道您是否可以就我遇到的一个问题提供一些帮助。
我需要将大约4000个不同的图拟合到下面的函数中:b+e*A*(1.19104*(10**-16))*((x*(10**-9))**-5)*((-1+np.exp(0.0143878/(T*x*(10**-9))))**-1)
在这个函数中,我想将b,e和A限制为每个图的特定值,变量T的值根据数据移动。
我试着使用scipy optimize,但我不知道如何使用它来保存参数。
我尝试使用pyAstronomy函数,但是它的效率非常低(或者我的代码是idk),并且我得不到与我应该得到的数据大致相同的数据。
最后,我目前正在尝试使用lmfit,但我的代码似乎让所有参数都与猜测相同,并且没有任何变化。我对如何继续下去感到困惑。我当前的代码看起来像这样...
def bbnm(x,b,e,T,A):
y = b+e*A*(1.19104*(10**-16))*((x*(10**-9))**-5)*((-1+np.exp(0.0143878/(T*x*(10**-9))))**-1)
return y
params = bbmodel.make_params(b=0,e=.99,T=5100,A=wgeometry)
params['b'].vary = False
params['e'].vary = False
params['A'].vary = False
params['T'].vary = True
bb = bbmodel.fit(power[1465:2510],params,x=wavelength[1465:2510])
发布于 2018-07-12 07:42:43
下面是将scipy的curve_fit参数限制在指定范围内的代码。在本例中,第一个参数的界限是+/-无穷大(无界),第二个参数的界限是+/- 100,但拟合的参数在界限内并且正常拟合,第三个参数受到其界限的限制。
import numpy
import matplotlib
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
xData = numpy.array([5.0, 6.1, 7.2, 8.3, 9.4])
yData = numpy.array([ 10.0, 18.4, 20.8, 23.2, 35.0])
def standardFunc(data, a, b, c):
return a * data + b * data**2 + c
# some initial parameter values - must be within bounds
initialParameters = numpy.array([1.0, 1.0, 1.0])
# bounds on parameters - initial parameters must be within these
lowerBounds = (-numpy.Inf, -100.0, -5.0)
upperBounds = (numpy.Inf, 100.0, 5.0)
parameterBounds = [lowerBounds, upperBounds]
fittedParameters, pcov = curve_fit(standardFunc, xData, yData, initialParameters, bounds = parameterBounds)
# values for display of fitted function
a, b, c = fittedParameters
# for plotting the fitting results
xPlotData = numpy.linspace(min(xData), max(xData), 50)
y_plot = standardFunc(xPlotData, a, b, c)
plt.plot(xData, yData, 'D') # plot the raw data as a scatterplot
plt.plot(xPlotData, y_plot) # plot the equation using the fitted parameters
plt.show()
print('fitted parameters:', fittedParameters)
https://stackoverflow.com/questions/51293922
复制相似问题