Python 使用scipy.optimize.curve\u拟合绘制图形

我在理解

优化曲线拟合

函数时遇到困难。我的拟合函数是幂律。但是我不知道plot命令中的第二个值应该是什么？首先，我们必须调用函数

ff（L，v）

它将返回拟合线，但我们不调用此函数。我想知道这个命令是如何工作的

x=Ls
y=Tc
#fitting function
def ff(L,v):
    return L**(-1/v)
pfit,perr=optimize.curve_fit(ff,x,y)
plt.plot(x,...)

---

plot

命令绘制x与y值，因此您必须根据定义的函数

ff

计算相应的y值。由于

pfit

是作为数组返回的，因此在调用fit函数

ff

时必须解压缩这些值。如果你知道，你有两个系数，你当然可以简单地提取它们，比如

v，k=pfit

，然后用

ff（x，v，k）

计算y值。但是，如果稍后将拟合函数更改为

L**（-1/v）*k+a

，该怎么办？然后你必须重写你的代码。一种更简单的方法是让Python使用

*pfit

解压系数：

from scipy.optimize import curve_fit
from matplotlib import pyplot as plt
import numpy as np

#define some sample data
x = np.arange(1, 6)
y = np.asarray([100, 37, 18, 3, 1])

#fitting function with more than one parameter to fit
def ff(L, v, k):
    return L**(-1/v) * k

pfit, perr = curve_fit(ff,x,y)
print(pfit)

#plot original data
plt.plot(x, y, "ro", label = "data")
#calculate y-values
y_fit = ff(x, *pfit)
#plot fitted curve
plt.plot(x, y_fit, "b", label = "fit")
plt.legend()
plt.show()

这当然不太令人印象深刻，拟合曲线看起来一点也不平滑：

为了克服这一问题，我们可能希望创建一个分辨率更好的x值范围，并绘制该范围，而不是原始x值数据：

x_fit = np.linspace(np.min(x), np.max(x), 1000)
plt.plot(x_fit, ff(x_fit, *pfit), "b", label = "fit")

现在好多了：

---

我们是否可以更改比例，使曲线接触y轴，以便我可以轻松读取y轴上的值？我是否可以将此负斜率转换为正斜率？负斜率在原始数据中，而不是在拟合函数本身中。您可以将fit函数中的v符号反转为L**（1/v），但是fit函数只会返回-v。第一个问题与原来的问题相去甚远，如果您不熟悉使用重缩放图形或绘制水平线，您应该问另一个问题。好的，我发布了一个新问题。还有一件事我想知道，在拟合函数中，你提到了另一个不在幂律中的常数。为什么我们要添加这个常数？只是为了便于理解，为什么我们不简单地从pfit中提取v，然后手动将其输入拟合函数。（对于我的随机数据集，拟合函数收敛的问题更少，但这是一个完全不同的问题。）