Python 将对数曲线拟合到数据点,并以numpy进行外推
我有一组数据点(代码中的x和y)。我想画出这些点,并拟合一条曲线,显示使y=100.0所需的x值(y值是百分比)。这是我尝试过的,但我的曲线是3次多项式(我知道这是错误的)。对我来说,数据看起来是对数的,但我现在知道如何将对数曲线拟合到我的数据Python 将对数曲线拟合到数据点,并以numpy进行外推,python,numpy,matplotlib,curve-fitting,Python,Numpy,Matplotlib,Curve Fitting,我有一组数据点(代码中的x和y)。我想画出这些点,并拟合一条曲线,显示使y=100.0所需的x值(y值是百分比)。这是我尝试过的,但我的曲线是3次多项式(我知道这是错误的)。对我来说,数据看起来是对数的,但我现在知道如何将对数曲线拟合到我的数据 import numpy as np import matplotlib.pyplot as plt x = np.array([4,8,15,29,58,116,231,462,924,1848]) y = np.array([1.05,2.11,3
import numpy as np
import matplotlib.pyplot as plt
x = np.array([4,8,15,29,58,116,231,462,924,1848])
y = np.array([1.05,2.11,3.95,7.37,13.88,25.46,43.03,64.28,81.97,87.43])
for x1, y1 in zip(x,y):
plt.plot(x1, y1, 'ro')
z = np.polyfit(x, y, 3)
f = np.poly1d(z)
for x1 in np.linspace(0, 1848, 110):
plt.plot(x1, f(x1), 'b+')
plt.show()
我解决这类问题的方法是使用
scipy.optimize.curve\u fit
。当然,这是一个必须从导入的函数,scipy.optimize
该函数将使用定义f(x,a,b)定义的一个函数作为第一个参数。函数必须将自变量作为第一个参数,所有其他参数都应该是函数的参数。然后,
.curve_fit()
获取x数据,然后获取y数据(1-D数组很好)。它返回一个具有最佳拟合参数的数组。最后你应该有这样的东西
import numpy as np
from scipy.optimize import curve_fit
def l( x, a, b, c, d ):
return a*np.log( b*x + c ) + d
param = curve_fit( l, x, y )
我解决这类问题的方法是使用
scipy.optimize.curve\u fit
。当然,这是一个必须从导入的函数,scipy.optimize
该函数将使用定义f(x,a,b)定义的一个函数作为第一个参数。函数必须将自变量作为第一个参数,所有其他参数都应该是函数的参数。然后,
.curve_fit()
获取x数据,然后获取y数据(1-D数组很好)。它返回一个具有最佳拟合参数的数组。最后你应该有这样的东西
import numpy as np
from scipy.optimize import curve_fit
def l( x, a, b, c, d ):
return a*np.log( b*x + c ) + d
param = curve_fit( l, x, y )
它看起来像一个绑定:
在这种情况下,严格地说,y=100%只会发生在x=inf时,它看起来像一个绑定:
在这种情况下,严格地说,y=100%只发生在x=inf时,实际上不需要使用Numpy或Scipy的任何拟合函数,因为有一个“简单”的函数。下面是Python的一个实现:
def logFit(x,y):
# cache some frequently reused terms
sumy = np.sum(y)
sumlogx = np.sum(np.log(x))
b = (x.size*np.sum(y*np.log(x)) - sumy*sumlogx)/(x.size*np.sum(np.log(x)**2) - sumlogx**2)
a = (sumy - b*sumlogx)/x.size
return a,b
然后,您可以将其应用于您的问题,如下所示:
x = np.array([4,8,15,29,58,116,231,462,924,1848])
y = np.array([1.05,2.11,3.95,7.37,13.88,25.46,43.03,64.28,81.97,87.43])
def logFunc(x, a, b):
return a + b*np.log(x)
plt.plot(x, y, ls="none", marker='.')
xfit = np.linspace(0,2000,num=200)
plt.plot(xfit, logFunc(xfit, *logFit(x,y)))
不过,我不认为你的数据是对数的:
实际上,您不需要使用Numpy或Scipy的任何拟合函数,因为有一个“简单”的函数。下面是Python的一个实现:
def logFit(x,y):
# cache some frequently reused terms
sumy = np.sum(y)
sumlogx = np.sum(np.log(x))
b = (x.size*np.sum(y*np.log(x)) - sumy*sumlogx)/(x.size*np.sum(np.log(x)**2) - sumlogx**2)
a = (sumy - b*sumlogx)/x.size
return a,b
然后,您可以将其应用于您的问题,如下所示:
x = np.array([4,8,15,29,58,116,231,462,924,1848])
y = np.array([1.05,2.11,3.95,7.37,13.88,25.46,43.03,64.28,81.97,87.43])
def logFunc(x, a, b):
return a + b*np.log(x)
plt.plot(x, y, ls="none", marker='.')
xfit = np.linspace(0,2000,num=200)
plt.plot(xfit, logFunc(xfit, *logFit(x,y)))
不过,我不认为你的数据是对数的:
“…但我不知道如何将对数曲线多边形拟合到我的数据”您不会使用polyfit
将对数函数拟合到数据。看看“…但我不知道如何将对数曲线拟合到我的数据”您不会使用polyfit
将对数函数拟合到数据。看一看。