[英]Creating a Smooth Line based on Points
我有以下数据集:
x = [1, 6, 11, 21, 101]
y = [5, 4, 3, 2, 1]
有没有办法在Python中做到这一点?
我试过使用这里显示的方法,这里是代码:
from scipy.interpolate import spline
import matplotlib.pyplot as plt
import numpy as np
x = [1, 6, 11, 21, 101]
y = [5, 4, 3, 2, 1]
xnew = np.linspace(min(x), max(x), 100)
y_smooth = spline(x, y, xnew)
plt.plot(xnew, y_smooth)
plt.show()
首先, 不推荐使用 interpolate.spline()
,因此您可能不应该使用它。 而是使用interpolate.splrep()
和interpolate.splev()
。 这不是一个困难的转换:
y_smooth = interpolate.spline(x, y, xnew)
变
tck = interpolate.splrep(x, y)
y_smooth = interpolate.splev(xnew, tck)
但是,这不是真正的问题。 默认情况下, scipy
尝试将3度多项式拟合到您的数据中,这与您的数据不scipy
。 但由于点数太少,它可以很好地适应您的数据,即使它是非直观的近似值。 您可以设置它尝试与splrep()
的k=...
参数拟合的多项式的次数。 但即使是2阶多项式也是如此; 它试图拟合抛物线,你的数据可能适合抛物线,中间有一个弓(这就是它现在所做的,因为斜率在开始时是如此陡峭,中间没有数据点)。
在您的情况下,您的数据更准确地表示为指数,因此最好拟合指数。 我建议使用scipy.optimize.curve_fit()
。 它允许您指定自己的拟合函数,其中包含参数,它将适合您的参数:
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt
import numpy as np
x = [1, 6, 11, 21, 101]
y = [5, 4, 3, 2, 1]
xnew = np.linspace(min(x), max(x), 100)
def expfunc(x, a, b, c):
return a * np.exp(-b * x) + c
popt, pcov = curve_fit(expfunc, x, y)
plt.plot(xnew, expfunc(xnew, *popt))
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.