1

我正在尝试使用 python/numpy/scipy 编写一个脚本，用于数据操作、拟合和绘制与角度相关的磁阻测量。我是 Python 新手，从我的博士生导师那里得到了框架代码，并设法在框架中添加了几百行代码。过了一会儿，我注意到一些测量有多个错误，并且由于脚本应该自动完成所有操作，我尝试屏蔽这些点并将曲线拟合到未屏蔽的点（曲线是叠加在线性函数上的正弦平方，所以 numpy.ma.polyfit 并不是一个真正的选择）。但是，在屏蔽了问题点的 x 和 y 坐标后，拟合仍会考虑它们，即使它们不会显示在图中。这个例子被简化了，但同样的事情正在发生；

import numpy.ma as ma
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit



def Funk(x, k, y0):
 return k*x + y0   

fig,ax= plt.subplots()

x=ma.masked_array([1,2,3,4,5,6,7,8,9,10],mask=[0,0,0,0,0,0,1,1,1,1])
y=ma.masked_array([1,2,3,4,5,30,35,40,45,50], mask=[0,0,0,0,0,1,1,1,1,1])


fitParamsFunk, fitCovariancesFunk = curve_fit(Funk, x, y)

ax.plot(x, Funk(x, fitParamsFunk[0], fitParamsFunk[1]))
ax.errorbar(x, y, yerr = None, ms=3, fmt='-o')
plt.show()

后半部分的点被掩盖了，没有显示在图中，但仍被考虑在内。

在写这篇文章时，我发现我可以做到这一点：

def Funk(x, k, y0):
    return k*x + y0   

fig,ax= plt.subplots()

x=np.array([1,2,3,4,5,6,7,8,9,10])
y=np.array([1,2,3,4,5,30,35,40,45,50])
mask=np.array([0,0,0,0,0,1,1,1,1,1])

fitParamsFunk, fitCovariancesFunk = curve_fit(Funk, x[mask], y[mask])

ax.plot(x, Funk(x, fitParamsFunk[0], fitParamsFunk[1]))
ax.errorbar(x, y, yerr = None, ms=3, fmt='-o')
plt.show()

我真正想要的

我想 scipy curve_fit 并不是要处理蒙面数组，但我仍然想知道是否有任何解决方法（我需要使用蒙面数组，因为数据点的数量> 10e6，但我m 一次只绘制 100，因此我需要获取我想要绘制的数组部分的掩码并将其分配给另一个数组，同时将数组的值复制到另一个数组或将原始掩码设置为 False） ? 感谢您的任何建议

4

3 回答 3

0

我认为您想要做的是定义一个列出“良好数据点”索引的掩码，然后将其用作拟合（和/或绘图）的点。

作为 lmfit 的主要作者，我建议使用该库进行曲线拟合：它有很多有用的特性，超过curve_fit. 有了这个，您的示例可能如下所示：

import numpy as np
import matplotlib.pyplot as plt
from lmfit import Model

def Funk(x, k, y0, good_points=None):  # note: add keyword argument
    f = k*x + y0
    if good_points is not None:
        f = f[good_points]       # apply mask of good data points
    return f

x = np.array([1,2,3,4,5, 6,7,8.,9,10])
y = np.array([1,2,3,4,5,30,35.,40,45,50]) 
y += np.random.normal(size=len(x), scale=0.19) # add some noise to make it fun

# make an array of the indices of the "good data points"
# does not need to be contiguous.
good_points=np.array([0,1,2,3,4])

# turn your model function Funk into an lmfit Model
mymodel = Model(Funk)

# create parameters, giving initial values. Note that parameters are
# named using the names of your function's argument and that keyword 
# arguments with non-numeric defaults like 'good points' are seen to
#  *not* be parameters. Like the independent variable `x`, you'll 
# need to pass that in when you do the fit.
# also: parameters can be fixed, or given `min` and `max` attributes

params = mymodel.make_params(k=1.4,  y0=0.2)
params['k'].min = 0

# do the fit to the 'good data', passing in the parameters, the 
# independent variable `x` and the `good_points` mask.
result  = mymodel.fit(y[good_points], params, x=x, good_points=good_points)

# print out a report of best fit values, uncertainties, correlations, etc.
print(result.fit_report())

# plot the results, again using the good_points array as needed.
plt.plot(x, y, 'o', label='all data')
plt.plot(x[good_points], result.best_fit[good_points], label='fit to good data')
plt.legend()
plt.show()

这将打印出来

[[Model]]
    Model(Funk)
[[Fit Statistics]]
    # fitting method   = leastsq
    # function evals   = 7
    # data points      = 5
    # variables        = 2
    chi-square         = 0.02302999
    reduced chi-square = 0.00767666
    Akaike info crit   = -22.9019787
    Bayesian info crit = -23.6831029
[[Variables]]
    k:   1.02460577 +/- 0.02770680 (2.70%) (init = 1.4)
    y0: -0.04135096 +/- 0.09189305 (222.23%) (init = 0.2)
[[Correlations]] (unreported correlations are < 0.100)
    C(k, y0) = -0.905

并产生一个情节 在此处输入图像描述

希望这可以帮助您入门。

于 2020-04-01T04:22:39.593 回答
0

如果您只想考虑有效条目，则可以使用掩码的倒数作为索引：

x = ma.masked_array([1,2,3,4,5,6,7,8,9,10], mask=[0,0,0,0,0,1,1,1,1,1])  # changed mask
y = ma.masked_array([1,2,3,4,5,30,35,40,45,50], mask=[0,0,0,0,0,1,1,1,1,1])

fitParamsFunk, fitCovariancesFunk = curve_fit(Funk, x[~x.mask], y[~y.mask])

PS：请注意，两个数组需要具有相同数量的有效条目。

于 2020-03-27T06:19:06.753 回答
0

在数值微积分中使用掩码相当于在解析微积分中使用 Heaviside 阶跃函数。例如，通过应用分段线性回归，这变得非常简单：

在此处输入图像描述

它们是论文中分段线性回归的几个例子：https ://fr.scribd.com/document/380941024/Regression-par-morceaux-Piecewise-Regression-pdf

使用本文中所示的方法，下面非常简单的微积分导致了预期的结果形式：

在此处输入图像描述

注意：在大量点的情况下，如果在过渡区域有几个点的横坐标略有不同，则应用上面引用的论文第 29-31 页的案例会更准确。

于 2020-03-28T11:07:43.467 回答