使用 curve_fit
时来自 scipy.optimize
为了在 python 中拟合一些数据,首先定义拟合函数(例如二阶多项式)如下:
def f(x, a, b): 返回 a*x**2+b*x
- 然后进行拟合
popt, pcov = curve_fit(f,x,y)
但现在的问题是,如果函数包含积分(或离散和),如何定义第 1 点中的函数,例如:
x 和 f(x) 的实验数据仍然给出,所以第 2 点与我想象的相似,一旦我可以在 python 中定义 f(x)。顺便说一句,我忘了说这里假设 g(t) 具有众所周知的形式,并且包含拟合参数,即多项式示例中给出的参数 a 和 b。任何帮助深表感谢。这个问题实际上应该是一个通用问题,帖子中使用的函数只是随机示例。
最佳答案
下面是一个根据积分定义的曲线拟合示例。该曲线是 sin(t*w)/t+p
在 t
从 0 到 Pi 的积分。我们的 x 数据点对应于 w
,我们正在调整 p
参数以使数据适合。
import math, numpy, scipy.optimize, scipy.integrate
def integrand(t, args):
w, p = args
return math.sin(t * w)/t + p
def curve(w, p):
res = scipy.integrate.quad(integrand, 0.0, math.pi, [w, p])
return res[0]
vcurve = numpy.vectorize(curve, excluded=set([1]))
truexdata = numpy.asarray([0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0])
trueydata = vcurve(truexdata, 1.0)
xdata = truexdata + 0.1 * numpy.random.randn(8)
ydata = trueydata + 0.1 * numpy.random.randn(8)
popt, pcov = scipy.optimize.curve_fit(vcurve,
xdata, ydata,
p0=[2.0])
print popt
这将打印出非常接近 1.0 的值,这是我们在创建 truedata
时用作 p
的值。
请注意,我们在曲线函数上使用 numpy.vectorize
来生成与 scipy.optimize.curve_fit
兼容的矢量化版本。
关于python - 用积分函数拟合数据,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/30331984/