如何在python中实现自动模型确定和两状态模型拟合？

目前，我一直在为所有数据在Prism中手动进行模型拟合。这是相当乏味和耗时的。我想知道是否有办法提高数据分析的效率。我很熟悉Python，所以我想从Python开始考虑一个更好的工作流。非常感谢你的帮助

两个问题：

如何在python中进行双状态模型拟合（图1）？在我的例子中，它将有一个初始线性增加，然后是水平平台状态。我希望了解python的实现方式，以及自动检测变化发生的转折点的方式（理想情况下，我可以得到变化发生的时间和斜率）

另一种情况是当状态变为指数或多项式时。python中是否有任何方法可以自动判断哪个模型是最好的

---

Scipy提供了支持自定义函数的最小二乘曲线拟合方法。以下是第一个模型的示例：

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

#custom fit function - first slope steeper than second slope
def two_lin(x, m1, n1, m2, n2):
    return np.min([m1 * x + n1, m2 * x + n2], axis = 0)

#x/y data points
x = np.asarray([0, 1, 2,  3,  4,  5,  6,  7,  8,  9,  10])
y = np.asarray([2, 4, 8, 12, 14, 18, 20, 21, 22, 23,  24])
#initial guess for a steep rising and plateau phase
start_values = [3, 0, 0, 3]
#curve fitting
fit_param, pcov = curve_fit(two_lin, x, y, p0 = start_values)

#output of slope/intercept for both parts
m1, n1, m2, n2 = fit_param
print(m1, n1, m2, n2)
#calculating sum of squared residuals as parameter for fit quality
r = y - two_lin(x, *fit_param)
print(np.sum(np.square(r)))

#point, where the parts intersect 
if m1 != m2:
    x_intersect = (n2 - n1) / (m1 - m2)
    print(x_intersect)
else:
    print("did not find two linear components")

#plot data and fit function
x_fit = np.linspace(-1, 11, 100)  
plt.plot(x, y, 'o', label='data')
plt.plot(x_fit, two_lin(x_fit, *fit_param), '--', label='fit')

plt.axis([-2, 12, 0, 30])
plt.legend()
plt.show()

关于多项式的更多信息，numpy提供了带有和的标准函数，但您仍然需要提供期望的阶数

---

残差平方和可用于比较不同拟合函数的精度

注意自动选择模型。通常最复杂的模型/函数最适合数据。嗨，Piinthesky，这是一个很棒的实现。是否有方法返回坡度发生变化的x坐标？添加代码以明确如何提取每个线段的坡度/截距。请把kazemakase的评论写在黑板上。我怎样才能把kazemakase的评论添加到黑板上？当你判断合适的数据时，不要忽视它，想想它。如果你用于判断的数字很好地代表了现实，那么一定要重新评估。看看原始数据-原因，为什么我添加了一个绘图。