[英]using curve_fit function from scipy python
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。
你错过了什么:
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)
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-')
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()
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.