Python 从曲线数据点推断

我不太明白如何从数据集中推断出点没有顺序的数据集，也就是说，对于“x”来说，数据集是递减的。像这样：

我得到，我需要分别为x和y值创建一个绘图。所以我得到的代码是：（点数是有序的）

现在我得到了插值样条曲线。我想我必须分别对f（nt）=x1和f（nt）=y1进行外推。我知道如何用一个简单的线性回归从数据中插值，但我不知道如何从中得到一个更复杂的样条（？）外推。 目的是让外推函数跟随数据点的曲率。（至少在一端）

---

干杯，谢谢

我认为您在正确的轨道上创建了参数曲线（创建x（t）和y（t）），因为点是有序的。问题的一部分似乎是

样条曲线

函数返回离散值，而不是样条曲线的形式和参数

scipy.optimize

有一些很好的工具，可以帮助您找到函数而不是计算点

如果您对生成数据的基本过程有任何了解，我建议您使用它来帮助选择用于拟合的函数形式。这些更自由形式的方法将为您提供一定程度的灵活性

安装x（t）和y（t）并保持最终的安装功能。它们将使用从

t=0

到

t=1

的数据生成，但没有任何*会阻止您在该范围之外对它们进行评估

我可以推荐以下链接来指导曲线拟合程序：

简称：

长：

---

*几乎没什么

谢谢这让我走上了正轨。对我起作用的是：

x = bananax
y = bananay

#------ fit a spline to the coordinates, x and y axis are interpolated towards t
t = np.arange(x.shape[0], dtype=float) #t is # of values
t /= t[-1] #t is now devided from 0 to 1
nt = np.linspace(0, 1, 100) #nt is array with values from 0 to 1 with 100 intermediate values

x1 = scipy.interpolate.spline(t, x, nt) #The x values where spline should estimate the y values
y1 = scipy.interpolate.spline(t, y, nt)

#------ create a new linear space for nnt in which an extrapolation from the interpolated spline will be made 
nnt = np.linspace(-1, 1, 100) #values <0 are extrapolated (interpolation started at the tip(=0)

x1fit = np.polyfit(nt,x1,3) #fits a polynomial function of the nth order with the spline as input, output are the function parameters
y1fit = np.polyfit(nt,y1,3)

xpoly = np.poly1d(x1fit) #genereates the function based on the parameters obtained by polyfit
ypoly = np.poly1d(y1fit)

x=bananax
y=bananay
#------将样条曲线拟合到坐标，x轴和y轴向t方向插值
t=np.arange（x.shape[0]，dtype=float）#t是值的#
t/=t[-1]#t现在从0分为1
nt=np。linspace（0，1100）#nt是一个数组，值从0到1，中间值为100
x1=scipy.interpolate.spline（t，x，nt）#spline应该估计y值的x值
y1=scipy.插值样条曲线（t，y，nt）
#------为nnt创建一个新的线性空间，其中将从插值样条曲线进行外推
nnt=np.linspace（-1,1100）#值
x = bananax
y = bananay

#------ fit a spline to the coordinates, x and y axis are interpolated towards t
t = np.arange(x.shape[0], dtype=float) #t is # of values
t /= t[-1] #t is now devided from 0 to 1
nt = np.linspace(0, 1, 100) #nt is array with values from 0 to 1 with 100 intermediate values

x1 = scipy.interpolate.spline(t, x, nt) #The x values where spline should estimate the y values
y1 = scipy.interpolate.spline(t, y, nt)

#------ create a new linear space for nnt in which an extrapolation from the interpolated spline will be made 
nnt = np.linspace(-1, 1, 100) #values <0 are extrapolated (interpolation started at the tip(=0)

x1fit = np.polyfit(nt,x1,3) #fits a polynomial function of the nth order with the spline as input, output are the function parameters
y1fit = np.polyfit(nt,y1,3)

xpoly = np.poly1d(x1fit) #genereates the function based on the parameters obtained by polyfit
ypoly = np.poly1d(y1fit)