首页 > 代码库 > 【python数据挖掘课程】十四.Scipy调用curve_fit实现曲线拟合
【python数据挖掘课程】十四.Scipy调用curve_fit实现曲线拟合
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/
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
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。
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
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。
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:
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 = http://www.mamicode.com/pd.read_csv("data.csv")> 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 = http://www.mamicode.com/pd.read_csv("data.csv")> 输出结果如下图所示:
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 = http://www.mamicode.com/np.linspace(0, 4, 50)> 输出结果如下图所示:
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。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?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