使用numpy将数据拟合到sinc函数的最简单和正确的方法是什么？

Question

我做了一些工作，最后我得到了一个数据，它的形状看起来像sinc函数，我试图搜索如何使用numpy将图形拟合到sinc函数，我发现了这个：

Fitting a variable Sinc function in python

我发现它很好，但我认为为什么它看起来很复杂？

你能给我一个更友好的方法来拟合图形，给我一个像sinc函数的曲线吗？

Answer 1

很好地完成您所提供的链接中提供的答案已经足够了。但是，既然你说你觉得很困难，我就会得到一个示例代码，其中的数据形式为正弦曲线和符合数据的用户定义函数。

以下是代码：

import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
import math

xdata = np.array([2.65, 2.80, 2.96, 3.80, 3.90, 4.60, 4.80, 4.90, 5.65, 5.92])
ydata = np.sin(xdata)

def func(x,p1,p2,p3): # HERE WE DEFINE A SIN FUNCTION THAT WE THINK WILL FOLLOW THE DATA DISTRIBUTION
    return p1*np.sin(x*p2+p3)

# Here you give the initial parameters for p0 which Python then iterates over
# to find the best fit
popt, pcov = curve_fit(func,xdata,ydata,p0=(1.0,1.0,1.0)) #THESE PARAMETERS ARE USER DEFINED

print(popt) # This contains your two best fit parameters

# Performing sum of squares
p1 = popt[0]
p2 = popt[1]
p3 = popt[2]
residuals = ydata - func(xdata,p1,p2,p3)
fres = sum(residuals**2)

print(fres) #THIS IS YOUR CHI-SQUARE VALUE!

xaxis = np.linspace(1,7,100) # we can plot with xdata, but fit will not look good 
curve_y = func(xaxis,p1,p2,p3)
plt.plot(xdata,ydata,'*')
plt.plot(xaxis,curve_y,'-')
plt.show()

您还可以访问此website!!并逐步了解curve_fit的工作原理。