Scipy curve_fit:如何绘制超出数据点的拟合曲线?

时间:2018-01-29 17:27:32

标签: python matplotlib scipy curve-fitting

我有许多数据点,我使用Scipy curve_fit来拟合此数据集的曲线。我现在想要拟合 超越 的数据点范围,我找不到如何做到这一点。

这是一个基于指数拟合的简单示例:

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

def exponential_fit(x, a, b, c):
    return a*np.exp(-b*x) + c

x = np.array([0, 1, 2, 3, 4, 5])
y = np.array([30, 50, 80, 160, 300, 580])
fitting_parameters, covariance = curve_fit(exponential_fit, x, y)
a, b, c = fitting_parameters

plt.plot(x, y, 'o', label='data')
plt.plot(x, exponential_fit(x, *fitting_parameters), '-', label='Fit')

plt.axis([0, 8, 0, 2000])
plt.legend()
plt.show()

返回以下图:

enter image description here

现在我如何扩展拟合(橙色)曲线,使其达到x = 8?请注意,我不想创建额外的数据点,我只想扩展拟合曲线的范围。

非常感谢提前。

2 个答案:

答案 0 :(得分:2)

您必须为x定义额外的数据范围,以将其扩展到数据点给定的数据范围之外。您甚至可以改进表示并计算拟合函数的更多x值:

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

def exponential_fit(x, a, b, c):
    return a*np.exp(-b*x) + c

x = np.array([0, 1, 2, 3, 4, 5])
y = np.array([30, 50, 80, 160, 300, 580])
fitting_parameters, covariance = curve_fit(exponential_fit, x, y)
a, b, c = fitting_parameters

x_min = -4  
x_max = 8                                #min/max values for x axis
x_fit = np.linspace(x_min, x_max, 100)   #range of x values used for the fit function
plt.plot(x, y, 'o', label='data')
plt.plot(x_fit, exponential_fit(x_fit, *fitting_parameters), '-', label='Fit')

plt.axis([x_min, x_max, 0, 2000])
plt.legend()
plt.show()

为了增加灵活性,我引入了x_min, x_max,因为相同的值用于计算拟合函数使用的x值的范围并缩放绘图的轴。 numpy.linspace在起始值和停止值之间创建均匀间隔的样本,用作x值来计算拟合函数中的相应y值。

答案 1 :(得分:1)

x的范围是0到5.如果你想让曲线达到8(or up to eleven),你需要提供一个范围为11的数组...抱歉8。

x_new = np.linspace(0,11)
plt.plot(x_new, exponential_fit(x_new, *fitting_parameters), '-', label='Fit')