Question

我想对实验数据集拟合曲线，但我真的不知道该怎么做。我一直在寻找可能性，遇到curve_fit（还有least_suqares），这似乎很适合完成任务，但是我仍然非常不熟悉它的工作原理，因为我在挣扎把它塞进我的脑袋。我通过定义初始值开始尝试：

import numpy as np
import math
from scipy.optimize import curve_fit, least_squares

f_exp = np.array([1, 1.6, 2.7, 4.4, 7.3, 12, 20, 32, 56, 88, 144, 250000])
e_exp = np.array([7.15, 7.30, 7.20, 7.25, 7.26, 7.28, 7.32, 7.25, 7.35, 7.34, 7.37, 13.55])

n_e_exp = len(e_exp)

ezero     = 7.15
einf      = 13.55
fc        = np.arange(1,11000,1000)
alpha     = np.arange(0,1.1,0.1)

log_f_mod = np.arange(-3, 6.5, 0.5)
f_mod     = 10 ** log_f_mod

n_f_mod   = len(f_mod)
n_fc      = len(fc)
n_alpha   = len(alpha)  

x         = np.zeros((n_f_mod, n_fc))
for j in range(n_f_mod):
        for k in range(n_fc):
            x[j,k] = np.log(f_mod[j] / fc[k])

请注意，x是fc的功能。现在，我使用curve_fit，least_squares或其他更合适的函数定义要运行的函数：

def c_c_eRI(einf, ezero, alpha, x):
    eR    = einf + 1/2 * (ezero - einf) * (1 - np.sinh((1 - alpha) * x) / (np.cosh((1 - alpha) * x) + np.cos(alpha * math.pi / 2))) 
    eI    = np.abs(1/2 * (ezero - einf) * np.cos(alpha * math.pi / 2) / (np.cosh((1 - alpha) * x) + np.sin(alpha * math.pi / 2)))
    eRI   = np.sqrt(eR ** 2 + eI ** 2)
    return eRI

在这一点上，我尝试通过以下方式使它正常运行：

fit = curve_fit(c_c_eRI, f_exp, e_exp)

是否可以使用一种功能（例如curve_fit，least_squares或其他）将曲线拟合到实验数据，同时提供用于实现拟合的自变量alpha和fc（x是其函数）的值？

换句话说，目标是找到alpha和fc的值（x是其函数），以提供最适合{{ 1}}与f_exp 的方式类似，e_exp求解器通过改变EXCEL和alpha来找到最小平方残差。

最终目标是绘制fc与f_exp以及使用e_exp的拟合曲线-我对如何为此。

对于缺少一个更通用的示例，我深表歉意。

Answer 1

如果我正确理解了您的示例，我认为您只需将函数定义更改为

def c_c_eRI(x, einf, ezero, alpha):
    ...

从curve_fit docs：The model function, f(x, …). It must take the independent variable as the first argument and the parameters to fit as separate remaining arguments.

使用带有两个自变量的curve_fit将函数拟合到实验数据

1 个答案: