我有一些观点,我正在尝试适应这一点的曲线。我知道存在scipy.optimize.curve_fit
功能,但我不懂文档,即如何使用此功能。
我的观点: np.array([(1, 1), (2, 4), (3, 1), (9, 3)])
任何人都可以解释如何做到这一点?
发布于 2018-09-17 14:19:26
我建议你从简单的多项式拟合开始,scipy.optimize.curve_fit
尝试拟合f
你必须知道的一组点的函数。
这是使用numpy.polyfit
和的简单3次多项式拟合poly1d
,第一次执行最小二乘多项式拟合,第二次计算新点:
import numpy as np
import matplotlib.pyplot as plt
points = np.array([(1, 1), (2, 4), (3, 1), (9, 3)])
# get x and y vectors
x = points[:,0]
y = points[:,1]
# calculate polynomial
z = np.polyfit(x, y, 3)
f = np.poly1d(z)
# calculate new x's and y's
x_new = np.linspace(x[0], x[-1], 50)
y_new = f(x_new)
plt.plot(x,y,'o', x_new, y_new)
plt.xlim([x[0]-1, x[-1] + 1 ])
plt.show()
发布于 2018-09-17 16:03:27
您首先需要将numpy数组分成两个包含x和y值的独立数组。
x = [1, 2, 3, 9]
y = [1, 4, 1, 3]
curve_fit还需要一个提供您想要的拟合类型的函数。例如,线性拟合将使用类似的函数
def func(x, a, b):
return a*x + b
scipy.optimize.curve_fit(func, x, y)
将返回包含两个阵列一个numpy的阵列:首先将包含值a
和b
最适合你的数据,和第二个将是最佳拟合参数的协方差。
这是一个与您提供的数据线性拟合的示例。
import numpy as np
from scipy.optimize import curve_fit
x = np.array([1, 2, 3, 9])
y = np.array([1, 4, 1, 3])
def fit_func(x, a, b):
return a*x + b
params = curve_fit(fit_func, x, y)
[a, b] = params[0]
此代码将返回a = 0.135483870968
和b = 1.74193548387
这是一个带有你的点和线性拟合的情节......这显然是一个糟糕的情节,但你可以改变拟合函数来获得你想要的任何类型的拟合。
https://stackoverflow.com/questions/-100002654
复制相似问题