#2018-03-28 10:02:08 March Wednesday the 13 week, the 087 day SZ SSMR
python数据挖掘学习笔记】十四.Scipy调用curve_fit实现曲线拟合
一. Scipy介绍
SciPy (pronounced "Sigh Pie") 是一个开源的数学、科学和工程计算包。它是一款方便、易于使用、专为科学和工程设计的Python工具包,包括统计、优化、整合、线性代数模块、傅里叶变换、信号和图像处理、常微分方程求解器等等。
Scipy优化和拟合采用的是optimize模块,该模块提供了函数最小值(标量或多维)、曲线拟合和寻找等式的根的有用算法。
下面将从实例进行详细介绍,包括:
1.调用 numpy.polyfit() 函数实现一次二次多项式拟合;
2.Pandas导入数据后,调用Scipy实现次方拟合;
3.实现np.exp()形式e的次方拟合;
4.实现三个参数的形式拟合;
5.最后通过幂率图形分析介绍自己的一些想法和问题。
二. 曲线拟合
1.多项式拟合polynomial fitting
首先通过numpy.arange定义x、y坐标,然后调用polyfit()函数进行3次多项式拟合,最后调用Matplotlib函数进行散点图绘制(x,y)坐标,并绘制预测的曲线。
完整代码:
#encoding=utf-8
import numpy as np
import matplotlib.pyplot as plt
#定义x、y散点坐标
x = np.arange(1, 16, 1)
print('x is :\n',x)
num = [4.00, 5.20, 5.900, 6.80, 7.34,
8.57, 9.86, 10.12, 12.56, 14.32,
15.42, 16.50, 18.92, 19.58, 20.00]
y = np.array(num)
print('y is :\n',y)
#用3次多项式拟合
f1 = np.polyfit(x, y, 3)
print('f1 is :\n',f1)
p1 = np.poly1d(f1)
print('p1 is :\n',p1)
#也可使用yvals=np.polyval(f1, x)
yvals = p1(x) #拟合y值
print('yvals is :\n',yvals)
#绘图
plot1 = plt.plot(x, y, 's',label='original values')
plot2 = plt.plot(x, yvals, 'r',label='polyfit values')
plt.xlabel('x')
plt.ylabel('y')
plt.legend(loc=4) #指定legend的位置右下角
plt.title('polyfitting')
plt.show()
plt.savefig('test.png')
输出:
x is :
[ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15]
y is :
[ 4. 5.2 5.9 6.8 7.34 8.57 9.86 10.12 12.56 14.32
15.42 16.5 18.92 19.58 20. ]
f1 is :
[-0.00466922 0.13917511 0.04214103 4.31284982]
p1 is :
3 2
-0.004669 x + 0.1392 x + 0.04214 x + 4.313
yvals is :
[ 4.48949673 4.91647852 5.56577986 6.40938541 7.41927982
8.56744778 9.82587395 11.16654299 12.56143956 13.98254834
15.40185398 16.79134116 18.12299454 19.36879879 20.50073856]
[Finished in 4.9s]
2.e的b/x次方拟合
下面采用Scipy的curve_fit()对上面的数据进行e的b/x次方拟合。数据集如下:
#encoding=utf-8
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
#自定义函数 e指数形式
def func(x, a, b):
return a*np.exp(b/x)
#定义x、y散点坐标
x = np.arange(1, 16, 1)
num = [4.00, 5.20, 5.900, 6.80, 7.34,
8.57, 9.86, 10.12, 12.56, 14.32,
15.42, 16.50, 18.92, 19.58, 20.00]
y = np.array(num)
#非线性最小二乘法拟合
popt, pcov = curve_fit(func, x, y)
#获取popt里面是拟合系数
a = popt[0]
b = popt[1]
yvals = func(x,a,b) #拟合y值
print('popt:', popt)
print('系数a:', a)
print('系数b:', b)
print('系数pcov:', pcov)
print('系数yvals:', yvals)
#绘图
plot1 = plt.plot(x, y, 's',label='original values')
plot2 = plt.plot(x, yvals, 'r',label='polyfit values')
plt.xlabel('x')
plt.ylabel('y')
plt.legend(loc=4) #指定legend的位置右下角
plt.title('curve_fit')
plt.show()
plt.savefig('test2.png')
popt: [ 28.73385676 -6.533497 ]
系数a: 28.7338567619
系数b: -6.53349700023
系数pcov: [[ 11.50459022 -3.49473351]
[ -3.49473351 1.23200917]]
系数yvals: [ 0.04177652 1.09562788 3.25516763 5.61084794 7.77860258
9.67127294 11.29905836 12.69729502 13.90338026 14.95022583
15.86510166 16.67012212 17.3831164 18.01847731 18.58787783]
3.aX的b次方拟合
第三种方法是通过Pandas导入数据,因为通常数据都会存储在csv、excel或数据库中,所以这里结合读写数据绘制a*x的b次方形式。
假设本地存在一个data.csv文件,数据集如下图所示:
最后完整的拟合代码如下所示:
#程序有问题:KeyError: 'x'
#encoding=utf-8
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
import pandas as pd
#自定义函数 e指数形式
def func(x, a, b):
return a*pow(x,b)
#导入数据及x、y散点坐标
data = pd.read_csv("data.csv")
#print(data)
#print(data.shape)
#print(data.head(5)) #显示前5行数据
#KeyError: 'x'
x = data['x'] #获取x列
y = data['y'] #获取y列
print(x)
print(y)
#非线性最小二乘法拟合
popt, pcov = curve_fit(func, x, y)
#获取popt里面是拟合系数
a = popt[0]
b = popt[1]
yvals = func(x,a,b) #拟合y值
print(u'系数a:', a)
print(u'系数b:', b)
#绘图
plot1 = plt.plot(x, y, 's',label='original values')
plot2 = plt.plot(x, yvals, 'r',label='polyfit values')
plt.xlabel('x')
plt.ylabel('y')
plt.legend(loc=4) #指定legend的位置右下角
plt.title('curve_fit')
plt.savefig('test3.png')
plt.show()
4.三个参数拟合
最后介绍官方给出的实例,讲述传递三个参数,通常为 a*e(b/x)+c形式。
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
def func(x, a, b, c):
return a * np.exp(-b * x) + c
# define the data to be fit with some noise
xdata = np.linspace(0, 4, 50) #产生0到4之间的50个等距离数字
print("xdata is:",xdata)
y = func(xdata, 2.5, 1.3, 0.5) #y= a*e(b/x)+c
print("y is:",y)
y_noise = 0.2 * np.random.normal(size=xdata.size)
print("y_noise is:",y_noise)
ydata = y + y_noise
print("ydata is:",ydata)
plt.plot(xdata, ydata, 'b-', label='data')
# Fit for the parameters a, b, c of the function `func`
popt, pcov = curve_fit(func, xdata, ydata)
print("popt is:", popt)
print("*popt is:", *popt)
plt.plot(xdata, func(xdata, *popt), 'r-', label='fit')
'''##########
a = popt[0]
b = popt[1]
yvals = func(x,a,b) #拟合y值
plot2 = plt.plot(x, yvals, 'r',label='polyfit values')
'''################################
# Constrain the optimization to the region of ``0 < a < 3``, ``0 < b < 2``
# and ``0 < c < 1``:
popt, pcov = curve_fit(func, xdata, ydata, bounds=(0, [3., 2., 1.]))
plt.plot(xdata, func(xdata, *popt), 'g--', label='fit-with-bounds')
plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.show()