使用scipy python中的curve_fit函数

Question

我很困惑这个功能应该如何工作。 我试图拟合最适合xdata和ydata数据集的一行。 这段代码会产生错误，但我不明白curve_fit函数应该如何工作，或者我是否使用了正确的术语来表达我想做的事情。 在图表上绘制的xdata和ydata会产生弯曲的图案，然后上升，然后下降。 任何帮助非常感谢。

#define xdata dnd ydata 
xdata = np.array([-2,-1.64,-1.33,-0.7,0,0.45,1.2,1.64,2.32,2.9])
ydata = np.array([0.699369,0.700462,0.695354,1.03905,1.97389,2.41143,1.91091,0.919576,-0.730975,-
1.42001]) 



# get the curve fit funtion 
from scipy.optimize import curve_fit
def func(xdata, p1, p2):
    return p1*np.cos(p2*xdata) + p2*np.sin(p1*xdata)


popt, pcov = curve_fit(func, xdata, ydata)


#plot code for data points 
plot.plot(xdata,ydata,"bo",label="Xdata and Ydata")
plot.plot(popt,pcov,"r--",label="Curve of Best Fit")
plot.legend(bbox_to_anchor=(1.05, 1), loc=2, borderaxespad=0.)
plot.show()

这当前产生的直线不是最适合数据的曲线。 我试图尽可能地镜像数据模式，目前我无处接近。

Answer 1

你错过了什么：

1. 正如我在评论中所说，你需要np.cos和np.sin 。 原因是因为xdata和ydata是(10,)形状的numpy数组。 因此Python无法识别，它需要(10,1)
2. 您需要为数据定义一个linspace ，在下面的示例中称为xfine

---

这是一个有效的例子：

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

#define xdata dnd ydata 
xdata = np.array([-2,-1.64,-1.33,-0.7,0,0.45,1.2,1.64,2.32,2.9])
ydata = np.array([0.699369,0.700462,0.695354,1.03905,1.97389,2.41143,1.91091,0.919576,-0.730975,-
1.42001]) 

def func(xdata, p1, p2):
    return p1*np.cos(p2*xdata) + p2*np.sin(p1*xdata)

xfine = np.linspace(xdata.min(), xdata.max(), 100)

popt, pcov = curve_fit(func, xdata, ydata)

plt.plot(xdata, ydata, '.');
plt.plot(xfine, func(xfine, popt[0], popt[1]),'r-')

Answer 2

您需要使用numpy.cos而不是math.cos来处理向量：

def func(xdata, p1, p2):
    return p1*np.cos(p2*xdata) + p2*np.sin(p1*xdata)

你需要生成这样的拟合曲线：

xfit = np.linspace(xdata[0], xdata[-1], 100)
yfit = func(xfit, *popt)
plt.plot(xdata, ydata)
plt.plot(xfit, yfit)
plt.show()