我正在尝试编写一个曲线拟合函数,它返回最佳参数a,b和c,这是一个简化的例子:
import numpy
import scipy
from scipy.optimize import curve_fit
def f(x, a, b, c):
return x * 2*a + 4*b - 5*c
xdata = numpy.array([1,3,6,8,10])
ydata = numpy.array([ 0.91589774, 4.91589774, 10.91589774, 14.91589774, 18.91589774])
popt, pcov = scipy.optimize.curve_fit(f, xdata, ydata)
这很好用,但我想让用户有机会提供一些(或没有)参数a,b或c,在这种情况下,它们应该被视为常量而不是估计。如何编写f
以使其仅适合用户未提供的参数?
基本上,我需要使用正确的参数动态定义f
。例如,如果用户知道a
,则f
变为:
def f(x, b, c):
a = global_version_of_a
return x * 2*a + 4*b - 5*c
答案 0 :(得分:6)
从collections.namedtuple playbook获取页面,您可以使用exec“动态”定义func
:
import numpy as np
import scipy.optimize as optimize
import textwrap
funcstr=textwrap.dedent('''\
def func(x, {p}):
return x * 2*a + 4*b - 5*c
''')
def make_model(**kwargs):
params=set(('a','b','c')).difference(kwargs.keys())
exec funcstr.format(p=','.join(params)) in kwargs
return kwargs['func']
func=make_model(a=3, b=1)
xdata = np.array([1,3,6,8,10])
ydata = np.array([ 0.91589774, 4.91589774, 10.91589774, 14.91589774, 18.91589774])
popt, pcov = optimize.curve_fit(func, xdata, ydata)
print(popt)
# [ 5.49682045]
注意这一行
func=make_model(a=3, b=1)
您可以将任何您喜欢的参数传递给make_model。传递给make_model
的参数将成为func
中的固定常量。无论参数是什么,都会成为optimize.curve_fit
试图适应的免费参数。
例如,上面,a = 3和b = 1成为func
中的固定常数。实际上,exec
语句将它们放在func
的全局命名空间中。因此,func
被定义为x
和单个参数c
的函数。请注意,popt
的返回值是一个长度为1的数组,对应于剩余的自由参数c
。
关于textwrap.dedent
:在上面的示例中,不需要调用textwrap.dedent
。但是在“真实”脚本中,funcstr
在函数内部或更深的缩进级别定义,textwrap.dedent
允许您编写
def foo():
funcstr=textwrap.dedent('''\
def func(x, {p}):
return x * 2*a + 4*b - 5*c
''')
而不是视觉上没有吸引力的
def foo():
funcstr='''\
def func(x, {p}):
return x * 2*a + 4*b - 5*c
'''
有些人喜欢
def foo():
funcstr=(
'def func(x, {p}):\n'
' return x * 2*a + 4*b - 5*c'
)
但我发现分别引用每一行并添加显式的EOL字符有点麻烦。但它会为你保存一个函数调用。
答案 1 :(得分:1)
我通常会将lambda用于此目的。
user_b, user_c = get_user_vals()
opt_fun = lambda x, a: f(x, a, user_b, user_c)
popt, pcov = scipy.optimize.curve_fit(opt_fun, xdata, ydata)
答案 2 :(得分:0)
如果你想要一个基于curve_fit
的简单解决方案,我建议你将你的函数包装在一个类中。最小的例子:
import numpy
from scipy.optimize import curve_fit
class FitModel(object):
def f(self, x, a, b, c):
return x * 2*a + 4*b - 5*c
def f_a(self, x, b, c):
return self.f(x, self.a, b, c)
# user supplies a = 1.0
fitModel = FitModel()
fitModel.a = 1.0
xdata = numpy.array([1,3,6,8,10])
ydata = numpy.array([ 0.91589774, 4.91589774, 10.91589774, 14.91589774, 18.91589774])
initial = (1.0,2.0)
popt, pconv = curve_fit(fitModel.f_a, xdata, ydata, initial)
答案 3 :(得分:0)
已经有一个包可以做到这一点:
https://lmfit.github.io/lmfit-py/index.html
来自自述文件:
“LMfit-py提供了最小二乘最小化例程和类 使用简单,灵活的方法来参数化模型 适合数据。命名参数可以固定或自由保存 调整适合,或保持在下限和上限之间。在 另外,参数可以被约束为简单的数学 其他参数的表达。“
答案 4 :(得分:-2)
def f(x, a = 10, b = 15, c = 25):
return x * 2*a + 4*b - 5*c
如果用户没有为相关参数提供参数,则会使用=
符号右侧指定的任何参数:
例如为:
f(5, b = 20)
将评估为return 5 * 2*10 + 4*20 - 5*25
和
f(7)
将评估为return 7 * 2*10 + 4*15 - 5*25