Question

我正在尝试使用这些值：

这是我的代码：

  for i in range(-area,area):
    stDev1= []
    for j in range(-area,area):
        stDev0 = stDev[i+i0][j+j0]
        stDev1.append(stDev0)
    slices[i] = stDev1
fitV = []
xV = []

for l in range(-area,area):
    y = np.asarray(slices[l])
    x =  np.arange(0,2*area,1)

for m in range(-area,area):
        fitV.append(slices[m][l])
        xV.append(l)


fit = np.polyfit(xV,fitV,4)
yfit = function(fit,area)

x100 = np.arange(0,100,1)

plt.plot(xV,fitV,'.')
plt.savefig("fits1.png")

def function(fit,area):
   yfit = []
   for x in range(-area,area):
       yfit.append(fit[0]+fit[1]*x+fit[2]*x**2+fit[3]*x**3+fit[4]*x**4)
   return(yfit)

i0 = 400
j0 = 400
area = 50 
stdev = 2d np.array([1300][800]) #just an image of "noise" feel free to add any image // 2d np array you like.

这会产生：

显然这是完全错误的吗？我想我错过了理解polyfit的概念？从文档的要求是我用两个形状x [i] y [i]的数组喂它？

中的我的价值观

  xV = [ x_1_-50,x_1_-49,...,x_1_49,x_2_-50,...,x_49_49]

我的是：

  fitV = [y_1_-50,y_1_-49,...,y_1_49,...y_2_-50,...,y_2_49]

Answer 1

我不完全了解你的程序。将来，如果您将问题提炼为MCVE，将会很有帮助。但这里有一些想法：

在您的数据中，对于给定的 x 值，似乎有多个 y 值。给定（ x ， y ）数据，polyfit返回表示多项式函数的元组，但没有函数可以映射单个 x 的值为 y 的多个值。作为第一步，考虑使用例如均值，中值或模式将每组 y 值折叠成单个代表值。或者，或许，在您的域中，有一种更自然的方式来做到这一点。
其次，使用这对函数np.polyfit和np.polyval的惯用方法，并且您不会以标准方式使用它们。当然，存在许多有用的偏离这种模式，但首先要确保你理解这两个函数的基本模式。

一个。根据您在 x_data 的时间或地点拍摄的测量 y_data ，绘制它们并猜测拟合的顺序。那就是它看起来像一条线？像抛物线？让我们假设您认为您的数据是抛物线的，并且您将使用二阶多项式拟合。

湾确保按照增加x的顺序对数组进行排序。有很多方法可以做到这一点，但np.argsort很简单。

℃。运行polyfit：p = polyfit(x_data,y_data,2)，它返回包含p，(c2,c1,c0)中的第2，第1和第0阶系数的元组。

d。在习惯使用polyfit和polyval时，接下来您将生成适合度：polyval(p,x_data)。或者您可能希望更粗略或精细地对拟合进行采样，在这种情况下，您可以采用x_data的子集或在x_data中插入更多值。

下面是一个完整的例子。

import numpy as np
from matplotlib import pyplot as plt

# these are your measurements, unsorted
x_data = np.array([18, 6, 9, 12 , 3, 0, 15])
y_data = np.array([583.26347805, 63.16059915, 100.94286909, 183.72581827, 62.24497418,
                   134.99558191, 368.78421529])

# first, sort both vectors in increasing-x order:
sorted_indices = np.argsort(x_data)
x_data = x_data[sorted_indices]
y_data = y_data[sorted_indices]

# now, plot and observe the parabolic shape:
plt.plot(x_data,y_data,'ks')
plt.show()

# generate the 2nd order fitting polynomial:
p = np.polyfit(x_data,y_data,2)

# make a more finely sampled x_fit vector with, for example
# 1024 equally spaced points between the first and last
# values of x_data
x_fit = np.linspace(x_data[0],x_data[-1],1024)

# now, compute the fit using your polynomial:
y_fit = np.polyval(p,x_fit)

# and plot them together:
plt.plot(x_data,y_data,'ks')
plt.plot(x_fit,y_fit,'b--')
plt.show()

希望有所帮助。

numpy polyfit产生废话

1 个答案: