我有一个非常具体的要求,使用6次多项式插值非线性数据。我已经看到numpy/scipy例程(scipy.interpolate.InterpolatedUnivariateSpline),允许插值仅达到5度。6度曲线拟合与numpy/scipy
即使没有直接的函数来执行此操作,是否有办法在Excel中复制LINEST线性回归算法蟒蛇? LINEST允许6度曲线拟合,但我不想用Excel来计算任何东西,因为这个计算是一个更大的Python脚本的一部分。
任何帮助,将不胜感激!
我有一个非常具体的要求,使用6次多项式插值非线性数据。我已经看到numpy/scipy例程(scipy.interpolate.InterpolatedUnivariateSpline),允许插值仅达到5度。6度曲线拟合与numpy/scipy
即使没有直接的函数来执行此操作,是否有办法在Excel中复制LINEST线性回归算法蟒蛇? LINEST允许6度曲线拟合,但我不想用Excel来计算任何东西,因为这个计算是一个更大的Python脚本的一部分。
任何帮助,将不胜感激!
使用numpys polyfit程序。
http://docs.scipy.org/doc/numpy-1.3.x/reference/generated/numpy.polyfit.html
您可以使用scipy.optimize.curve_fit
来适合您想要的任何功能(合理范围内)到您的数据。此函数的签名是
curve_fit(f, xdata, ydata, p0=None, sigma=None, **kw)
,它使用非线性最小二乘法拟合,以适应函数f
到数据ydata(xdata)
。在你的情况我会尝试这样的:
import numpy
from scipy.optimize import curve_fit
import matplotlib.pyplot as plt
def _polynomial(x, *p):
"""Polynomial fitting function of arbitrary degree."""
poly = 0.
for i, n in enumerate(p):
poly += n * x**i
return poly
# Define some test data:
x = numpy.linspace(0., numpy.pi)
y = numpy.cos(x) + 0.05 * numpy.random.normal(size=len(x))
# p0 is the initial guess for the fitting coefficients, set the length
# of this to be the order of the polynomial you want to fit. Here I
# have set all the initial guesses to 1., you may have a better idea of
# what values to expect based on your data.
p0 = numpy.ones(6,)
coeff, var_matrix = curve_fit(_polynomial, x, y, p0=p0)
yfit = [_polynomial(xx, *tuple(coeff)) for xx in x] # I'm sure there is a better
# way of doing this
plt.plot(x, y, label='Test data')
plt.plot(x, yfit, label='fitted data')
plt.show()
这应该给你这样的:
可以使用'yfit = _polynomial(XX,*系数_)',还注意到,P0应具有至少为1的长度,为0度多项式。 – martijnn2008 2016-06-06 20:04:51
我不敢相信我以前没有想到过!谢谢:) – prrao 2012-04-13 15:26:44
+1我不敢相信我写了一个不必要的复杂的例子,而不是记住'polyfit'例程! – Chris 2012-04-13 15:45:10