Question

我是编程中的新手，尤其是曲线拟合。但我试图将模型拟合到我用Python和Numpy做的一些测量中。

我成功地策划了一个＆＃34; fit＆＃34;曲线成一组数据。好吧，好像它确实如此。事实证明，该函数只是使用了初始猜测，并没有尝试实际拟合曲线。我通过使用具有不同数据集的相同初始猜测来测试这一点。这就是结果：

并且fitParams的输出为fitCovariances（这似乎是非常奇怪的值）：

[ 540.     2.5    2. ]
[[ inf  inf  inf]
 [ inf  inf  inf]
 [ inf  inf  inf]]

def fitFunc()的输出只是重复的初始猜测值。

我首先尝试使用我的脚本来获取第5个数据集，这看起来还不错。但是你可以看到每条适合的曲线＆＃34;是完全相同的，它只是使用初始猜测。

这是剧本：

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

mpl.rcParams['text.usetex']=True
mpl.rcParams['text.latex.unicode']=True

#model
def fitFunc(P_max, x, x_0, w_z):
    print P_max
    print x_0
    print w_z
    return 0.5 * P_max * (1 - scipy.special.erf((scipy.sqrt(2) * (x - x_0)) / w_z))

fig = plt.figure()

#for-loop to read and curve fit for all data sets
for n in range (1,7):
    x_model = np.linspace(-1,6,5000)
    y_model = []
    x = []
    P = []
    name = 'data_' + str(n)
    with open(name + '.csv', 'rb') as f:
        data = csv.reader(f, delimiter = ';')
        for row in data:
            x.append(float(row[1]))
            P.append(float(row[2]))
        fitParams, fitCovariances = curve_fit(fitFunc, np.array(x), np.array(P), [540, 2.5, 2])
        print fitParams
        print fitCovariances

    for i in range(0, len(x_model)):
        y_model.append(fitFunc(fitParams[0], x_model[i], fitParams[1], fitParams[2]))

    ax = fig.add_subplot(2,3,n, axisbg='white')
    ax.scatter(x,P)
    ax.plot(x_model,y_model)
    ax.set_xlim([0, 6])
    ax.set_ylim([0, 600])
    ax.set_xlabel(r'\Delta x')
    ax.set_ylabel(r'P (\mu W)')

plt.tight_layout()
plt.show()

我无法真正找到我做错的事。我希望你们能帮助我。谢谢:)）

注意：您可以下载数据文件here以尝试使用相同数据的脚本。

Answer 1

唯一的问题是fitFunc的定义。来自help(curve_fit)：

Parameters
----------
f : callable
    The model function, f(x, ...).  It must take the independent
    variable as the first argument and the parameters to fit as
    separate remaining arguments.

这意味着您必须将x输入移动到您的函数的第一个参数。这仅影响2行：您对fitFunc的定义，

#def fitFunc(P_max, x, x_0, w_z): #original
def fitFunc(x, P_max, x_0, w_z):
    print P_max
    print x_0
    print w_z
    return 0.5 * P_max * (1 - scipy.special.erf((scipy.sqrt(2) * (x - x_0)) / w_z))

以及在绘图时显式调用fitFunc：

for i in range(0, len(x_model)):
    y_model.append(fitFunc(x_model[i], fitParams[0], fitParams[1], fitParams[2]))

<强>结果：

我认为你和scipy都做得很好:)。

效率说明：

我没有看到你的fitFunc无法使用向量值x输入（并且确实如此）的原因。这意味着在绘制拟合模型时，您可以在i上省略循环，您可以说

 y_model=fitFunc(x_model, fitParams[0], fitParams[1], fitParams[2])

Scipy Curve_fit函数使用初始猜测值而不是实际拟合

1 个答案: