python 最小二乘拟合，反卷积，卡方检验

import numpy as np 

# from enthought.mayavi import mlab

 

'''

ogrid[-1:5:6j,-1:5:6j]

[array([[-1. ],

       [ 0.2],

       [ 1.4],

       [ 2.6],

       [ 3.8],

       [ 5. ]]), array([[-1. ,  0.2,  1.4,  2.6,  3.8,  5. ]])]

'''

 

x,y = np.ogrid[-2:2:20j,-2:2:20j]  #返回两个数组，一个长度为1，一个列数为1。前三个参数同range，但两边都是闭区间，当第三个参数是复数(j)时，以整数部分作步长。

z=x*np.exp(x**2-y**2)

#p1=mlab.surf(x,y,z,warp_scale="auto")

#mlab.axes(xlable='x',ylable='y',zlable='z')

#mlab.outline(p1)

#mlab.show() 

 

#这个mayavi画图软件 太难安装了，遇到了错误，貌似需要安装对应的visual c然后设置visual c 的环境什么之类的才能好，暂时不管了 

 

from scipy.optimize import leastsq

import pylab as p1 

 

#最小二乘拟合(Least-Square fitting) ，已知数据集（x,y），已知函数y=f(x),找函数f中用的参数集p，使s(p)=∑[yi-f(xi,p)]?

def func(x,p):

   '''数据拟合所用的函数：A*sin(2*pi*k*x + theta)'''

   A,k,theta = p 

   return A * np.sin(2 * np.pi * k * x + theta)

 def residuals(p,y,x):

    '''实验数据x,y 和 拟合函数之间的差，p为拟合要找到的系数'''

    return y - func(x,p)

    x=np.linspace(0,-2*np.pi,100) #返回以0开始，以-2*np.pi结束的100个元素的等差数列

A,k,theta = 10,0.34,np.pi/6   #真实数据的函数参数

y0=func(x,[A,k,theta]) #真是数据

y1=y0+2*np.random.randn(len(x)) #加入噪声之后的实验数据

 

p0=[7,0.2,0]  #第一次猜测的函数拟合参数

 

#调用leastsq进行数据拟合

#residuals为计算误差的函数

#p0为拟合参数的初始值

#args为需要拟合的试验数据

 

plsq=leastsq(residuals,p0,args=(y1,x))

 

print(u"真是参数：",[A,k,theta])

print(u"拟合参数：",plsq[0])  #实验数据拟合后的参数

 

p1.plot(x,y0,label=u"真实数据")

p1.plot(x,y1,label=u"带噪声的实验数据")

p1.plot(x,func(x,plsq[0]),label=u"拟合数据j")

p1.legend()

p1.show()

      #对于一个离散的线性时不变系统h,如果它的输入是x,那么其输出y可以用x和h的卷积表示 :y=x * h

#现在的问题是如果已知系统的输入x和输出y，如何计算系统的传递函数h，或如果已知系统的传递函数h和系统的输出y，如何计算系统的输入x.这种运算被称为反卷积

#运算，是十分困难的，特别是在实际的运用中，测量系统的输出总是存在误差。

 

#本程序用各种fmin函数求卷积的逆运算

 

import scipy.optimize as opt 

import numpy as np  

 

def test_fmin_convolve(fminfunc,x,h,y,yn,x0):

    ''' x (*) h =y ,(*) 表示卷积 

    yn 为在y的基础上添加一些干扰噪声的结果

    x0为求解x的初始值

    '''

    def convolve_func(h):

        ''' 计算yn - x (*) h 的 power 

        fmin 将通过计算使得此power最小'''

        return np.sum((yn - np.convolve(x,h))**2)

    #调用fmin函数，以x0为初始值

    h0=fminfunc(convolve_func,x0)

    print(fminfunc.__name__)

    print('------------------')

    #输出x (*) h0 和y 之间的相对误差

    print('error of y:',np.sum((np.convolve(x,h0)-y)**2)/np.sum(y**2))

    #输出h0和h之间的相对误差

    print('error of h:',np.sum((h0-h)**2)/np.sum(h**2))

 

def test_n(m,n,nscale):

    ''' 随机产生 x,h,y,yn,x0 等数列，调用各种fmin函数求解

    m 为 x 的长度，n 为 h 的长度，nscale 为干扰的强度 '''

    x=np.random.rand(m)

    h=np.random.rand(n)

    y=np.convolve(x,h)

    yn=y+np.random.rand(len(y))* nscale

    x0=np.random.rand(n)

        test_fmin_convolve(opt.fmin,x,h,y,yn,x0)

    test_fmin_convolve(opt.fmin_powell,x,h,y,yn,x0)

    test_fmin_convolve(opt.fmin_cg,x,h,y,yn,x0)

    test_fmin_convolve(opt.fmin_bfgs,x,h,y,yn,x0)

if __name__=='__main__':

    test_n(200,20,0.1)

      #卡方检验示例代码

from scipy.stats import chi2

import matplotlib.pyplot as plt

import numpy as np

fig, ax = plt.subplots(1, 1)

 df = 20

mean, var, skew, kurt = chi2.stats(df, moments='mvsk')

 #绘制函数的起始点和终止点

#pdf为概率密度函数  chi2.pdf(x, df) = 1 / (2*gamma(df/2)) * (x/2)**(df/2-1) * exp(-x/2)

#默认的是标准（正态分布）概率密度函数，要设置它的形状可以通过参数loc和scale。chi2.pdf(x, df, loc, scale)等价于

#百分比函数(PPF) :the inverse of the CDF. PPF  函数和连续分布函数CDF相逆，

 

#ppf(0.01, df)表示取值小于哪个点的概率之和等于0.01,在df取值df,的情况下。

initial=chi2.ppf(0.01, df)

end=chi2.ppf(0.99, df)

print(chi2.cdf(end,df),chi2.cdf(initial,df))

#0.99 0.01    chi2.cdf(x,df)是chi2.ppf(x,df)的反函数。

#cdf (cumulative distribution function) 累计概率分布函数： 对于连续函数，所有小于等于a的值，其出现概率的和。F(a)=P(x<=a)

#随机变量小于等于某个数值的概率。F(x)为增函数。 累计分布的反函数，可以用来生成服从该随机分布的随机变量。

 

x = np.linspace(initial,end, 100)

 #概率密度函数用于绘图

ax.plot(x, chi2.pdf(x, df), 'r-', lw=5, alpha=0.6, label='chi2 pdf') #‘r-’表示红色的实线，lw=5表示线宽度值取5，alpha=0.6表示透明度取0.6，label设置线的标注

ax.plot(x, chi2.pdf(x, 2), 'g-', lw=3, alpha=0.6, label='chi2 pdf')

ax.plot(x, chi2.pdf(x, 4), 'b--', lw=3, alpha=0.6, label='chi2 pdf')

ax.plot(x, chi2.pdf(x, 11), 'y--', lw=3, alpha=0.6, label='chi2 pdf')

 

#ax.axis([-3,2,-0.01,10])  #设置坐标轴的取值范围为x[-3,2],y[-0.01,10]

plt.title("df is %d"%df) #设置图形的标题

plt.show()  #展示图形

rv = chi2(df)  #绑定卡方分布的df值

plt.plot(x, rv.pdf(x), 'ko', lw=2, label='frozen pdf')

#plt.legend()  #legend()用来设置图形标注框在图像中的位置

plt.show()

print(chi2.ppf([0.001, 0.5, 0.999], df))

print(chi2.ppf(0.001, df),chi2.ppf( 0.5, df),chi2.ppf( 0.999, df),sep=' @')

#[  5.92104075  19.33742923  45.31474662]

#5.92104074549 @19.3374292294 @45.3147466181

r = chi2.rvs(df, size=100)  #产生随机数100个 

print(r)

 

#卡方公式(o-e)^2 / e

#期望值和收集到数据不能低于5，o(observed)观察到的数据，e（expected）表示期望的数据

#(o-e)平方，最后除以期望的数据e

 

 import numpy as np

from scipy import stats

from scipy.stats import chisquare        

list_observe=[30,14,34,45,57,20]

list_expect=[20,20,30,40,60,30]

  

print(chisquare(f_obs=list_observe, f_exp=list_expect))

p=chisquare(f_obs=list_observe, f_exp=list_expect)[1]

'''

返回NAN，无穷小

'''

 if p>0.05 or p=="nan":

   print("H0 win,there is no difference")

else:

   print("H1 win,there is difference")

  #Power_divergenceResult(statistic=11.441666666666666, pvalue=0.043293130315804972)

#H1 win,there is difference

转载于:https://www.cnblogs.com/Ting-light/p/9548179.html