scipy.optimize.curve_fit错误的图(类似于移动平均值)

我正在尝试将指数定律纳入我的数据.我的(x,y)样本解释起来相当复杂,因此对于一般的理解和可重复性,我会说：两个变量都是浮点型和连续型,0 <= x <= 100,而0 <= y <= 1.

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

#ydata=[...] is my list with y values, which contains 0 values
#xdata=[...] is my list with x values

transf_y=[]
for i in range(len(ydata)):
    transf_y.append(ydata[i]+0.00001) #Adding something to avoid zero values

x=numpy.array(xdata,dtype=float)
y=numpy.array(transf_y,dtype=float)

def func(x, a, c, d):
    return a * numpy.exp(-c*x)+d

popt, pcov = curve_fit(func, x, y,p0 = (1, 1e-6, 1))

print ("a = %s , c = %s, d = %s" % (popt[0], popt[1], popt[2]))

xx = numpy.linspace(300, 6000, 1000)
yy = func(xx, *popt)

plt.plot(x,y,label='Original Data')
plt.plot(xx, yy, label="Fitted Curve")

plt.legend(loc='upper left')
plt.show()

现在我的拟合曲线看起来与拟合指数曲线完全不同.而是,它看起来像是移动平均曲线,好像在Excel上将其添加为趋势线一样.可能是什么问题呢？如有必要,我将找到一种使数据集可用于重现示例的方法.

这就是我从代码中得到的结果(我什至不知道为什么我只在图例中绘制了两个元素(至少显然是为什么)中的三个元素)：

解决方法:

A多种事物：

>您的绘图两次描绘了原始数据,而没有可分辨的拟合数据
>您的数据似乎没有排序,我想这就是为什么您会出现zickzack行的原因
>在您的示例中,您的预测图将在300到6000之间的范围内,而原始数据0 <= x <= 100
除此之外,您的代码或多或少是正确的并且可以工作.

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

xdata=[100.0, 0.0, 90.0, 20.0, 80.0] #is my list with y values, which contains 0 values - edit, you need some raw data which you fit, I inserted some
ydata=[0.001, 1.0, 0.02, 0.56, 0.03] #is my list with x values

transf_y=[]
for i in range(len(ydata)):
    transf_y.append(ydata[i]+0.00001) #Adding something to avoid zero values

x1=numpy.array(xdata,dtype=float)
y1=numpy.array(transf_y,dtype=float)

def func(x, a, c, d):
    return a * numpy.exp(-c*x)+d

popt, pcov = curve_fit(func, x1, y1,p0 = (1, 1e-6, 1))

print ("a = %s , c = %s, d = %s" % (popt[0], popt[1], popt[2]))

#ok, sorting your data
pairs = []
for i, j in zip(x1, y1):
    pairs.append([i,j])

sortedList = sorted(pairs, key = lambda x:x[0])
sorted_x = numpy.array(sortedList)[:,0]
sorted_y = numpy.array(sortedList)[:,1]


#adjusting interval to the limits of your raw data
xx = numpy.linspace(0, 100.0, 1000)
yy = func(xx, *popt)


#and  everything looks fine
plt.plot(sorted_x,sorted_y, 'o',label='Original Data')
plt.plot(xx,yy,label='Fitted Data')

plt.legend(loc='upper left')
plt.show()

标签：exponential,moving-average,scipy,curve-fitting,python
来源： https://codeday.me/bug/20191027/1941385.html