python - python numpy/scipy曲线拟合

Question

我有一些观点，我正在尝试为这些观点拟合曲线。我知道存在scipy.optimize.curve_fit功能，但我不了解文档，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？

Answer 1

我建议您从简单的多项式拟合开始，scipy.optimize.curve_fit尝试将f您必须知道的函数拟合到一组点。

这是一个简单的 3 度多项式拟合，使用numpy.polyfit和poly1d，第一个执行最小二乘多项式拟合，第二个计算新点：

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()

Answer 2

您首先需要将 numpy 数组分成两个包含 x 和 y 值的单独数组。

x = [1, 2, 3, 9]
y = [1, 4, 1, 3]

curve_fit 还需要一个函数来提供您想要的拟合类型。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)将返回一个包含两个数组的numpy数组：第一个将包含最适合您的数据的值a，b第二个将是最佳拟合参数的协方差。

这是与您提供的数据进行线性拟合的示例。

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并b = 1.74193548387

这是一个包含您的点和线性拟合的图......这显然是一个糟糕的图，但您可以更改拟合函数以获得您想要的任何类型的拟合。