码迷,mamicode.com
首页 > 编程语言 > 详细

【python数据挖掘课程】十四.Scipy调用curve_fit实现曲线拟合

时间:2017-05-07 15:36:19      阅读:7018      评论:0      收藏:0      [点我收藏+]

标签:normal   ram   [1]   tar   UI   正方形   分享   sub   有用   

        前面系列文章讲过各种知识,包括绘制曲线、散点图、幂分布等,而如何在在散点图一堆点中拟合一条直线,也变得非常重要。这篇文章主要讲述调用Scipy扩展包的curve_fit函数实现曲线拟合,同时计算出拟合的函数、参数等。希望文章对你有所帮助,如果文章中存在错误或不足之处,还请海涵~

        前文推荐:
       【Python数据挖掘课程】一.安装Python及爬虫入门介绍
       【Python数据挖掘课程】二.Kmeans聚类数据分析及Anaconda介绍
       【Python数据挖掘课程】三.Kmeans聚类代码实现、作业及优化
       【Python数据挖掘课程】四.决策树DTC数据分析及鸢尾数据集分析
       【Python数据挖掘课程】五.线性回归知识及预测糖尿病实例
       【Python数据挖掘课程】六.Numpy、Pandas和Matplotlib包基础知识
       【Python数据挖掘课程】七.PCA降维操作及subplot子图绘制
       【Python数据挖掘课程】八.关联规则挖掘及Apriori实现购物推荐
       【Python数据挖掘课程】九.回归模型LinearRegression简单分析氧化物数据
       【python数据挖掘课程】十.Pandas、Matplotlib、PCA绘图实用代码补充
       【python数据挖掘课程】十一.Pandas、Matplotlib结合SQL语句可视化分析
       【python数据挖掘课程】十二.Pandas、Matplotlib结合SQL语句对比图分析
       【python数据挖掘课程】十三.WordCloud词云配置过程及词频分析


一. Scipy介绍

        SciPy (pronounced "Sigh Pie") 是一个开源的数学、科学和工程计算包。它是一款方便、易于使用、专为科学和工程设计的Python工具包,包括统计、优化、整合、线性代数模块、傅里叶变换、信号和图像处理、常微分方程求解器等等。
        官方地址:https://www.scipy.org/

技术分享

        Scipy常用的模块及功能如下图所示:
        强烈推荐刘神的文章:Scipy高端科学计算 - 刘一痕

技术分享

        Scipy优化和拟合采用的是optimize模块,该模块提供了函数最小值(标量或多维)、曲线拟合和寻找等式的根的有用算法。

技术分享

        官方介绍:scipy.optimize.curve_fit
        下面将从实例进行详细介绍,包括:
        1.调用 numpy.polyfit() 函数实现一次二次多项式拟合;
        2.Pandas导入数据后,调用Scipy实现次方拟合;
        3.实现np.exp()形式e的次方拟合;
        4.实现三个参数的形式拟合;
        5.最后通过幂率图形分析介绍自己的一些想法和问题。



二. 曲线拟合


1.多项式拟合

        首先通过numpy.arange定义x、y坐标,然后调用polyfit()函数进行3次多项式拟合,最后调用Matplotlib函数进行散点图绘制(x,y)坐标,并绘制预测的曲线。
        完整代码:

#encoding=utf-8  
import numpy as np
import matplotlib.pyplot as plt

#定义x、y散点坐标
x = np.arange(1, 16, 1)
num = [4.00, 5.20, 5.900, 6.80, 7.34,
       8.57, 9.86, 10.12, 12.56, 14.32,
       15.42, 16.50, 18.92, 19.58, 20.00]
y = np.array(num)

#用3次多项式拟合
f1 = np.polyfit(x, y, 3)
p1 = np.poly1d(f1)
print(p1)

#也可使用yvals=np.polyval(f1, x)
yvals = p1(x)  #拟合y值

#绘图
plot1 = plt.plot(x, y, ‘s‘,label=‘original values‘)
plot2 = plt.plot(x, yvals, ‘r‘,label=‘polyfit values‘)
plt.xlabel(‘x‘)
plt.ylabel(‘y‘)
plt.legend(loc=4) #指定legend的位置右下角
plt.title(‘polyfitting‘)
plt.show()
plt.savefig(‘test.png‘)
        输出结果如下图所示,包括蓝色的正方形散点和红色的拟合曲线。
        多项式函数为: y=-0.004669 x3 + 0.1392 x2 + 0.04214 x + 4.313

技术分享

        补充:给出函数,可以用 Origin 进行绘图的,也比较方便。


2.e的b/x次方拟合

        下面采用Scipy的curve_fit()对上面的数据进行e的b/x次方拟合。数据集如下:

x = np.arange(1, 16, 1)
num = [4.00, 5.20, 5.900, 6.80, 7.34,
       8.57, 9.86, 10.12, 12.56, 14.32,
       15.42, 16.50, 18.92, 19.58, 20.00]
y = np.array(num)
        其中,x坐标从1到15,y对应Num数组,比如第一个点(1, 4.00)、最后一个点(15, 20.00)。
        然后调用curve_fit()函数,核心步骤:
        (1) 定义需要拟合的函数类型,如:
            def func(x, a, b):
                return a*np.exp(b/x)
        (2) 调用 popt, pcov = curve_fit(func, x, y) 函数进行拟合,并将拟合系数存储在popt中,a=popt[0]、b=popt[1]进行调用;
        (3) 调用func(x, a, b)函数,其中x表示横轴表,a、b表示对应的参数。
        完整代码如下:

#encoding=utf-8  
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

#自定义函数 e指数形式
def func(x, a, b):
    return a*np.exp(b/x)

#定义x、y散点坐标
x = np.arange(1, 16, 1)
num = [4.00, 5.20, 5.900, 6.80, 7.34,
       8.57, 9.86, 10.12, 12.56, 14.32,
       15.42, 16.50, 18.92, 19.58, 20.00]
y = np.array(num)

#非线性最小二乘法拟合
popt, pcov = curve_fit(func, x, y)
#获取popt里面是拟合系数
a = popt[0] 
b = popt[1]
yvals = func(x,a,b) #拟合y值
print u‘系数a:‘, a
print u‘系数b:‘, b

#绘图
plot1 = plt.plot(x, y, ‘s‘,label=‘original values‘)
plot2 = plt.plot(x, yvals, ‘r‘,label=‘polyfit values‘)
plt.xlabel(‘x‘)
plt.ylabel(‘y‘)
plt.legend(loc=4) #指定legend的位置右下角
plt.title(‘curve_fit‘)
plt.show()
plt.savefig(‘test2.png‘)
        绘制的图形如下所示,拟合效果没有多项式的好。

技术分享



3.aX的b次方拟合

        第三种方法是通过Pandas导入数据,因为通常数据都会存储在csv、excel或数据库中,所以这里结合读写数据绘制a*x的b次方形式。
        假设本地存在一个data.csv文件,数据集如下图所示:

技术分享

       然后调用Pandas扩展包读取数据,并获取x、y值显示,这段代码如下:
#导入数据及x、y散点坐标
data = pd.read_csv("data.csv")
print data
print(data.shape)    
print(data.head(5)) #显示前5行数据
x = data[‘x‘] #获取x列
y = data[‘y‘] #获取y列
print x
print y
        比如 print y 输出结果:
0      4.00
1      5.20
2      5.90
3      6.80
4      7.34
5      8.57
6      9.86
7     10.12
8     12.56
9     14.32
10    15.42
11    16.50
12    18.92
13    19.58
14    20.00
Name: y, dtype: float64
        最后完整的拟合代码如下所示:
#encoding=utf-8  
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
import pandas as pd  

#自定义函数 e指数形式
def func(x, a, b):
    return a*pow(x,b)

#导入数据及x、y散点坐标
data = pd.read_csv("data.csv")
print data
print(data.shape)    
print(data.head(5)) #显示前5行数据
x = data[‘x‘]
y = data[‘y‘]
print x
print y

#非线性最小二乘法拟合
popt, pcov = curve_fit(func, x, y)
#获取popt里面是拟合系数
a = popt[0] 
b = popt[1]
yvals = func(x,a,b) #拟合y值
print u‘系数a:‘, a
print u‘系数b:‘, b

#绘图
plot1 = plt.plot(x, y, ‘s‘,label=‘original values‘)
plot2 = plt.plot(x, yvals, ‘r‘,label=‘polyfit values‘)
plt.xlabel(‘x‘)
plt.ylabel(‘y‘)
plt.legend(loc=4) #指定legend的位置右下角
plt.title(‘curve_fit‘)
plt.savefig(‘test3.png‘)
plt.show()

        输出结果如下图所示:
技术分享



4.三个参数拟合

        最后介绍官方给出的实例,讲述传递三个参数,通常为 a*e(b/x)+c形式。

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

def func(x, a, b, c):
    return a * np.exp(-b * x) + c

# define the data to be fit with some noise
xdata = np.linspace(0, 4, 50)
y = func(xdata, 2.5, 1.3, 0.5)
y_noise = 0.2 * np.random.normal(size=xdata.size)
ydata = y + y_noise
plt.plot(xdata, ydata, ‘b-‘, label=‘data‘)

# Fit for the parameters a, b, c of the function `func`
popt, pcov = curve_fit(func, xdata, ydata)
plt.plot(xdata, func(xdata, *popt), ‘r-‘, label=‘fit‘)

# Constrain the optimization to the region of ``0 < a < 3``, ``0 < b < 2``
# and ``0 < c < 1``:
popt, pcov = curve_fit(func, xdata, ydata, bounds=(0, [3., 2., 1.]))
plt.plot(xdata, func(xdata, *popt), ‘g--‘, label=‘fit-with-bounds‘)

plt.xlabel(‘x‘)
plt.ylabel(‘y‘)
plt.legend()
plt.show()
        输出结果如下图所示:
技术分享


三. 幂律分布拟合及疑问

        下面是我幂率分布的实验,因为涉及到保密,所以只提出几个问题。
        图1是多项式的拟合结果,基本符合图形趋势。
        图2是幂指数拟合结果,幂指数为-1.18也符合人类的基本活动规律。

技术分享 技术分享
        问题:
        1.为什么幂律分布拟合的图形不太好,而指数却很好;
        2.计算幂指数及拟合是否只对中间那部分效果好的进行拟合;
        3.e的b/x次方、多项方程、x的b次方哪个效果好?


技术分享



        最后希望这篇文章对你有所帮助,尤其是我的学生和接触数据挖掘、机器学习的博友。这篇文字主要是介绍拟合,记录一些代码片段,作为在线笔记,也希望对你有所帮助。同时,后面论文写完会opensource系列文章。
        一醉一轻舞,一梦一轮回。一曲一人生,一世一心愿。
       (By:Eastmount 2017-05-07 下午3点半  http://blog.csdn.net/eastmount/ )



【python数据挖掘课程】十四.Scipy调用curve_fit实现曲线拟合

标签:normal   ram   [1]   tar   UI   正方形   分享   sub   有用   

原文地址:http://blog.csdn.net/eastmount/article/details/71308373

(0)
(7)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!