3

我有以下数据集

angles =np.arange(-90,91,15)
n_col_cnts =([ 0.08692008,0.46557143,0.7282595,0.89681908,0.97057961,1.,0.99488705,0.91823478,0.84187586,  0.73110934,0.53363229,0.25338418,0.01328528])

我想使用optimize.leastsq()from对这些数据进行高斯拟合，scipy但遇到了一个绊脚石。这是我从这里尝试过的

fitfunc = lambda p, x: p[0]*math.exp(-((x-p[1])/p[2])**2) #Target function
errfunc = lambda p, x, y: fitfunc(p, x) - y # Distance to the target function
p0 = [1., 0., 30.] # Initial guess for the parameters
fit, success = optimize.leastsq(errfunc, p0[:], args=(angles,n_col_cnts))

但是我收到错误消息

TypeError: only length-1 arrays can be converted to Python scalars

我不明白。我做错了什么？

4

2 回答 2

4

我认为fitfunc需要使用数组。更改math.exp为np.exp

于 2013-07-30T10:31:11.757 回答
1

正如 Janne 所说，它需要能够支持一个大的多维“x”作为自变量——它实际上是它们的矩阵，昨天我花了很多时间才发现。因此，它需要完全向量化，因此您必须使用 np.exp 以允许矩阵元素的指数；不是矩阵的幂。参数允许占用'm'个空格，但在你传递的函数中，自变量只能占用一个。

我讨厌这样做，但昨天有人问了一个类似的问题，如果你有兴趣，我写了一个非常深入的回复：

使用 3d 数据和参数在 Scipy 中进行曲线拟合

于 2013-07-30T13:52:35.173 回答