本质上希望找到最有效的解决方案(numpy
),它本质上允许我将np.poly1d
扩展到K维。
测试用例:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
class Polyfit:
@staticmethod
def from_fit_to_forecast(df, forecast_values, dates_forward, x_data, y_data, order=2):
# nice vectorized params estimation
all_params = np.polyfit(x_data, y_data, order)
# terrible fit of data as I loop over them
new_df = pd.DataFrame([np.poly1d(i)(x_data) for i in all_params.T], columns=df.index, index=df.columns).T
forecast_df_second = pd.DataFrame(
[np.poly1d(i)(forecast_values) for i in all_params.T], columns=dates_forward, index=df.columns).T
return new_df, forecast_df_second
@staticmethod
def gen_data(k_steps):
data = 1 + np.random.rand(100, 4) / 300 - (np.random.rand(100, 4) / 10) ** 2
dates = pd.date_range('2010-1-1', freq='D', periods=100)
dates_forward = pd.date_range(max(dates) + pd.Timedelta(1, unit='d'), freq='D', periods=k_steps)
return pd.DataFrame(data, columns=list('ABCD'), index=dates).cumprod(), dates_forward
def __init__(self, k_steps_forward=20):
self.original_data, dates_forward = self.gen_data(k_steps_forward)
x_data = list(range(len(self.original_data.index)))
max_x_data = max(x_data)
forecast_values = list(range(max_x_data + 1, max_x_data + 1 + k_steps_forward, 1))
y_data = self.original_data.values
self.fit_df_2, self.forecast_2 = self.from_fit_to_forecast(
self.original_data, forecast_values, dates_forward, x_data, y_data, order=2)
cls = Polyfit(k_steps_forward=30)
print(cls.fit_df_2)
print(cls.forecast_2)
关键点在于我执行此操作的 from_fit_to_forecast
:
[np.poly1d(i)(forecast_values) for i in all_params.T]
这会大大减慢速度。另外,由于我也会使用二阶多项式,因此我尝试使用 np.dot 或其他与矩阵一起使用的东西,但没有效果。
有什么建议吗?
最佳答案
所以你得到了一堆多项式系数
all_params = np.polyfit(x_data, y_data, order)
(其中 y_data
是一个二维数组),并且您希望在点 x_data
处计算所有这些值。如下所述,执行此操作的矢量化方法是:
(x_data.reshape(-1, 1)**np.arange(order, -1, -1)).dot(all_params)
这是一个完美拟合的小示例(通过三个点的二阶多边形),因此您可以看到评估是正确的
x_data = np.array([1, 2, 3])
y_data = np.array([[5, 6,], [9, 8], [7, 4]])
order = 2
all_params = np.polyfit(x_data, y_data, order)
(x_data.reshape(-1, 1)**np.arange(order, -1, -1)).dot(all_params)
输出
array([[ 5., 6.],
[ 9., 8.],
[ 7., 4.]])
说明
x_data.reshape(-1, 1)**np.arange(order, -1, -1)
创建 x_data 点的幂矩阵,从最高的开始,例如,
x1**2 x1**1 x1**0
x2**2 x2**1 x2**0
通过矩阵乘法,该矩阵与二次 ax**2 + bx + c 的系数相乘,如下所示
a1 a2
b1 b2
c1 c2
结果正是多项式的值。
关于python - 在 numpy 中使用多项式时如何向量化预测,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/46665864/