Question

我正在尝试将模型函数拟合到我的数据中。数据是一个时间序列。模型函数需要在特定时间（在这种情况下，t = 7和t = 14）进行更改，以便在每个时间点向其添加另一个表达式。因此我想有一个随时间变化的参数，即 c = 0，如果t <7否则为1 。

rate（）是我的模型函数， a 和 k 是我要优化的参数， c1 < / strong>， c2 是上述时间相关系数。我使用 .make_params 方法定义参数，并将 c1 ， c2 的相关表达式传递到 .add 方法。

from numpy import exp from lmfit import Model # model function def rate(x, a, k, c1, c2): def rate_unit(z): return a * (exp(-k * (z - 0.5)) - exp(-k * (z + 0.5))) return rate_unit(x) + c1 * rate_unit(x - 7) + c2 * rate_unit(x - 14) # define independent and dependent variables t = data.index.values y = data.values # setup the model rate_model = Model(rate) # setup parameters parameters = rate_model.make_params() parameters.add('a', value=200) parameters.add('k', value=0.5) parameters._asteval.symtable['t'] = t parameters.add('c1', expr='0 if t < 7 else 1') parameters.add('c2', expr='0 if t < 14 else 1') # fit model to data fit_result = rate_model.fit(y, parameters, x=t)

数据是熊猫系列：

In [32]: data Out[32]: days 0 0.000000 1 50.986817 3 8.435668 7 0.519960 8 80.628749 10 10.067202 14 6.065180 15 88.029249 21 4.854688 Name: ORG, dtype: float64

这是我得到的错误：

ValueError <_ast.Module object at 0x7fab7d47f278> The truth value of an array with more than one element is ambiguous. Use a.any() or a.all() Traceback (most recent call last): File "model_dynamics.py", line 58, in <module> parameters.add('c1', expr='0 if t < 7 else 1') ValueError: at expr='<_ast.Module object at 0x7fab7d47f278>'

如果有任何建议，我将不胜感激，

欢呼

Answer 1

lmfit中的参数旨在包含单个值。将在每个拟合步骤（即，对目标/模型函数的每次调用）中对它们进行一次评估，而不会针对每个数据点分别进行评估。

无论如何，您要使用的是“ numpy.where（）”代替比较运算符。

但是，我认为，只需在代码中的“位置”而不是在参数表达式中（例如：）使用“ ”，就会更明显和更可靠。

import numpy as np
# model function
def rate(x, a, k):
    def rate_unit(z):
        return a * (np.exp(-k * (z - 0.5)) - enp.xp(-k * (z + 0.5)))
    c1 = np.zeros(len(x))
    c2 = np.zeros(len(x))
    c1[np.where(x>7)] = 1
    c2[np.where(x>14)] = 1
    return rate_unit(x) + c1 * rate_unit(x-7) + c2 * rate_unit(x-14)


# setup the model
rate_model = Model(rate)

# setup parameters
parameters = rate_model.make_params(a=200, k=0.5)

# fit model to data
fit_result = rate_model.fit(y, parameters, x=t)

它可能会更高效，并且更接近于您提前计算c1和c2所做的工作。然后，您可以告诉lmfit将它们视为独立的，不变的参数：

import numpy as np
# helper function (define once, not each time `rate` is called!)
def rate_unit(z):
    return a * (np.exp(-k * (z - 0.5)) - enp.xp(-k * (z + 0.5)))

# model function
def rate(x, a, k, c1, c2):
    return rate_unit(x) + c1 * rate_unit(x-7) + c2 * rate_unit(x-14)

# setup the model
rate_model = Model(rate, independent_vars=('x', 'c1', 'c2'))

# setup parameters
parameters = rate_model.make_params(a=200, k=0.5)

c1 = np.zeros(len(t))
c2 = np.zeros(len(t))
c1[np.where(t>7)] = 1
c2[np.where(t>14)] = 1
# fit model to data
fit_result = rate_model.fit(y, parameters, x=t, c1=c1, c2=c2)

当然，结果应该相同。

使用lmfit python

1 个答案: