python numpy / scipy曲线拟合

Question

我有一些观点，我正在尝试适合这一点的曲线。我知道存在scipy.optimize.curve_fit函数，但我不懂文档，即如何使用这个函数。

我的观点：np.array([(1, 1), (2, 4), (3, 1), (9, 3)])

有人可以解释怎么做吗？

Answer 1

我建议你从简单的多项式拟合开始，scipy.optimize.curve_fit尝试拟合一个你必须知道的函数f。

这是使用numpy.polyfit和poly1d的简单3次多项式拟合，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

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)将返回包含两个数组的numpy数组：第一个数组将包含最适合您数据的a和b值，第二个数组将是最佳数据的协方差适合参数。

以下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。