数值运算pythonmopn_Python SciPy库——拟合与插值
1.最小二乘拟合
实例1
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import leastsq
plt.figure(figsize=(9,9))
x=np.linspace(0,10,1000)
X = np.array([8.19, 2.72, 6.39, 8.71, 4.7, 2.66, 3.78])
Y = np.array([7.01, 2.78, 6.47, 6.71, 4.1, 4.23, 4.05])
#计算以p为参数的直线和原始数据之间的误差
def f(p):
k, b = p
return(Y-(k*X+b))
#leastsq使得f的输出数组的平方和最小,参数初始值为[1,0]
r = leastsq(f, [1,0])
k, b = r[0]
print("k=",k,"b=",b)
plt.scatter(X,Y, s=100, alpha=1.0, marker='o',label=u'数据点')
y=k*x+b
ax = plt.gca()
ax.set_xlabel(..., fontsize=20)
ax.set_ylabel(..., fontsize=20)
#设置坐标轴标签字体大小
plt.plot(x, y, color='r',linewidth=5, linestyle=":",markersize=20, label=u'拟合曲线')
plt.legend(loc=0, numpoints=1)
leg = plt.gca().get_legend()
ltext = leg.get_texts()
plt.setp(ltext, fontsize='xx-large')
plt.xlabel(u'安培/A')
plt.ylabel(u'伏特/V')
plt.xlim(0, x.max() * 1.1)
plt.ylim(0, y.max() * 1.1)
plt.xticks(fontsize=20)
plt.yticks(fontsize=20)
#刻度字体大小
plt.legend(loc='upper left')
plt.show()
实例2
#最小二乘拟合实例
import numpy as np
from scipy.optimize import leastsq
import pylab as pl
def func(x, p):
"""数据拟合所用的函数: A*cos(2*pi*k*x + theta)"""
A, k, theta = p
return A*np.sin(k*x+theta)
def residuals(p, y, x):
"""实验数据x, y和拟合函数之间的差,p为拟合需要找到的系数"""
return y - func(x, p)
x = np.linspace(0, 20, 100)
A, k, theta = 10, 3, 6 # 真实数据的函数参数
y0 = func(x, [A, k, theta]) # 真实数据
y1 = y0 + 2 * np.random.randn(len(x)) # 加入噪声之后的实验数据
p0 = [10, 0.2, 0] # 第一次猜测的函数拟合参数
# 调用leastsq进行数据拟合
# residuals为计算误差的函数
# p0为拟合参数的初始值
# args为需要拟合的实验数据
plsq = leastsq(residuals, p0, args=(y1, x))
print (u"真实参数:", [A, k, theta] )
print (u"拟合参数", plsq[0]) # 实验数据拟合后的参数
pl.plot(x, y0, color='r',label=u"真实数据")
pl.plot(x, y1, color='b',label=u"带噪声的实验数据")
pl.plot(x, func(x, plsq[0]), color='g', label=u"拟合数据")
pl.legend()
pl.show()
2. 插值
# -*- coding: utf-8 -*-
"""Created on Thu Jul 27 16:42:30 2017@author: Dell"""
import numpy as np
import pylab as pl
from scipy import interpolate
import matplotlib.pyplot as plt
x = np.linspace(0, 2*np.pi+np.pi/4, 10)
y = np.sin(x)
x_new = np.linspace(0, 2*np.pi+np.pi/4, 100)
f_linear = interpolate.interp1d(x, y)
tck = interpolate.splrep(x, y)
y_bspline = interpolate.splev(x_new, tck)
plt.xlabel(u'安培/A')
plt.ylabel(u'伏特/V')
plt.plot(x, y, "o", label=u"原始数据")
plt.plot(x_new, f_linear(x_new), label=u"线性插值")
plt.plot(x_new, y_bspline, label=u"B-spline插值")
pl.legend()
pl.show()
实例分析
# -*- coding: utf-8 -*-
"""Created on Thu Jul 27 16:53:21 2017@author: Dell"""
import numpy as np
from scipy import interpolate
import pylab as pl
#创建数据点集并绘制
pl.figure(figsize=(12,9))
x = np.linspace(0, 10, 11)
y = np.sin(x)
ax=pl.plot()
pl.plot(x,y,'ro')
#建立插值数据点
xnew = np.linspace(0, 10, 101)
for kind in ['nearest', 'zero','linear','quadratic']:
#根据kind创建插值对象interp1d
f = interpolate.interp1d(x, y, kind = kind)
ynew = f(xnew)#计算插值结果
pl.plot(xnew, ynew, label = str(kind))
pl.xticks(fontsize=20)
pl.yticks(fontsize=20)
pl.legend(loc = 'lower right')
pl.show()
B样条曲线插值
一维数据的插值运算可以通过 interp1d()实现。
其调用形式为:
Interp1d可以计算x的取值范围之内任意点的函数值,并返回新的数组。
interp1d(x, y, kind=‘linear’, …)
参数 x和y是一系列已知的数据点
参数kind是插值类型,可以是字符串或整数
B样条曲线插值
Kind给出了B样条曲线的阶数:
‘
zero‘ ‘nearest’ :0阶梯插值,相当于0阶B样条曲线
‘slinear’‘linear’ :线性插值,相当于1阶B样条曲线
‘quadratic’‘cubic’:2阶和3阶B样条曲线,更高阶的曲线可以直接使用整数值来指定
(1)#创建数据点集:
import numpy as np
x = np.linspace(0, 10, 11)
y = np.sin(x)
(2)#绘制数据点集:
import pylab as pl
pl.plot(x,y,'ro')
创建interp1d对象f、计算插值结果:
xnew = np.linspace(0, 10, 11)
from scipy import interpolate
f = interpolate.interp1d(x, y, kind = kind)
ynew = f(xnew)
根据kind类型创建interp1d对象f、计算并绘制插值结果:
xnew = np.linspace(0, 10, 11)
for kind in ['nearest', 'zero','linear','quadratic']:
#根据kind创建插值对象interp1d
f = interpolate.interp1d(x, y, kind = kind)
ynew = f(xnew)#计算插值结果
pl.plot(xnew, ynew, label = str(kind))#绘制插值结果
如果我们将代码稍作修改增加一个5阶插值
# -*- coding: utf-8 -*-
"""Created on Thu Jul 27 16:53:21 2017@author: Dell"""
import numpy as np
from scipy import interpolate
import pylab as pl
#创建数据点集并绘制
pl.figure(figsize=(12,9))
x = np.linspace(0, 10, 11)
y = np.sin(x)
ax=pl.plot()
pl.plot(x,y,'ro')
#建立插值数据点
xnew = np.linspace(0, 10, 101)
for kind in ['nearest', 'zero','linear','quadratic',5]:
#根据kind创建插值对象interp1d
f = interpolate.interp1d(x, y, kind = kind)
ynew = f(xnew)#计算插值结果
pl.plot(xnew, ynew, label = str(kind))
pl.xticks(fontsize=20)
pl.yticks(fontsize=20)
pl.legend(loc = 'lower right')
pl.show()
运行得到
发现5阶已经很接近正弦曲线,但是如果x值选取范围较大,则会出现跳跃。
关于拟合与插值的数学基础可参见霍开拓:拟合与插值的区别?
左边插值,右边拟合
仔细看有啥不一样
插值曲线要过数据点,拟合曲线整体效果更好。
插值,对准了才可以插吗,那就一定得过数据点。拟合,就是要得到最接近的结果,是要看总体效果。
既然理想(思路)不一样,那么三观和行为(特点和策略)也就不一样啦。
插值是指已知某函数的在若干离散点上的函数值或者导数信息,通过求解该函数中待定形式的插值函数以及待定系数,使得该函数在给定离散点上满足约束。
所谓拟合是指已知某函数的若干离散函数值{f1,f2,…,fn},通过调整该函数中若干待定系数f(λ1, λ2,…,λn), 使得该函数与已知点集的差别(最小二乘意义)最小。如果待定函数是线性,就叫线性拟合或者线性回归(主要在统计中),否则叫作非线性拟合或者非线性回归。表达式也可以是分段函数,这种情况下叫作样条拟合。
从几何意义上将,拟合是给定了空间中的一些点,找到一个已知形式未知参数的连续曲面来最大限度地逼近这些点;而插值是找到一个( 或几个分片光滑的)连续曲面来穿过这些点。
插值法
以下引自某科Lagrange插值
Lagrange插值是n次多项式插值,其成功地用构造插值基函数的 方法解决了求n次多项式插值函数问题。
★基本思想 将待求的n次多项式插值函数pn(x)改写成另一种表示方式,再利用插值条件⑴确定其中的待定函数,从而求出插值多项式。
Newton插值
Newton插值也是n次多项式插值,它提出另一种构造插值多项式的方法,与Lagrange插值相比,具有承袭性和易于变动节点的特点。
★基本思想 将待求的n次插值多项式Pn(x)改写为具有承袭性的形式,然后利用插值条件⑴确定Pn(x)的待定系数,以求出所要的插值函数。
Hermite插值
Hermite插值是利用未知函数f(x)在插值节点上的函数值及导数值来构造插值多项式的,其提法为:给定n+1个互异的节点x0,x1,……,xn上的函数值和导数值求一个2n+1次多项式H2n+1(x)满足插值条件H2n+1(xk)=ykH'2n+1(xk)=y'k k=0,1,2,……,n ⒀如上求出的H2n+1(x)称为2n+1次Hermite插值函数,它与被插函数一般有更好的密合度.
★基本思想利用Lagrange插值函数的构造方法,先设定函数形式,再利用插值条件⒀求出插值函数.
貌似插值节点取的越多,差值曲线或曲面越接近原始曲线/曲面,因为采样多嘛。但事实总是不像广大人民群众想的那样,随着插值节点的增多,多项式次数也在增高,插值曲线在一些区域出现跳跃,并且越来越偏离原始曲线。这个现象被 Tolmé Runge 发现并解释,然后就以他的名字命名这种现象。It was discovered by Carl David Tolmé Runge (1901) when exploring the behavior of errors when using polynomial interpolation to approximate certain functions.
为了解决这个问题,人们发明了分段插值法。分段插值一般不会使用四次以上的多项式,而二次多项式会出现尖点,也是有问题的。所以就剩下线性和三次插值,最后使用最多的还是线性分段插值,这个好处是显而易见的。
拟合
最小二乘
如何找到最接近原始曲线或者数据点的拟合曲线,这不是一件容易操作的事。要想整体最接近,直接的想法就是拟合曲线的每一点到原始曲线的对应点的最接近,简单点说就是两曲线上所有点的函数值之差的绝对值之和最小。看似解决问题,但绝对值在数学上向来是个不好交流的语言障碍患者,那然后又该怎么办。数学家说了既然办不了你绝对值之和,那就办了你家亲戚,就看你平方之和长得像。于是就找了这个长得像的来背黑锅,大家都表示很和谐。然后给这种操作冠之名曰'最小二乘法'。
官方一点的表述 , 选择参数c使得拟合模型与实际观测值在曲线拟合各点的残差(或离差)ek=yk-f(xk,c)的加权平方和达到最小,此时所求曲线称作在加权最小二乘意义下对数据的拟合曲线,这种方法叫做最小二乘法。
数值运算pythonmopn_Python SciPy库——拟合与插值相关推荐
- java的拟合与插值库,插值和拟合区别
插值和拟合都是函数逼近或者数值逼近的重要组成部分.他们的共同点都是通过已知一些离散点集M上的约束,求取一个定义在连续集合S(M包含于S)的未知连续函数,从而达到获取整体规律目的,即通过"窥几 ...
- 使用计算机进行数值运算 可根据需要达到,计算机统考题库.pdf
一.关于计算机的诞生与发展 1. 一般认为,世界上第一台电子数字计算机诞生于A.1946年 2. 当前的计算机一般被认为是第四代计算机,它所采用的逻辑元 件是C.大规模集成电路 3. 下列关于世界上第 ...
- Python库之Scipy库的简介、安装详细
目录 Scipy库的简介 Scipy库的安装 Scipy库的简介 Scipy高级科学计算库:和Numpy联系很密切,Scipy一般都是操控Numpy数组来进行科学计算.统计分析,所以可以说是基于Num ...
- Python数据分析入门--SciPy库学习笔记
文章目录 前言 Scipy库简单入门 1.cluster模块 2. constants模块 3. fftpack模块 4. integrate 模块 5. interpolate 模块 6. lina ...
- matlab实验二数值运算报告,MATLAB数值运算实验报告.docx
MATLAB数值运算实验报告 实验报告系 (部): 信息工程 班 级: 姓 名: 学 号: 课 程: MATLAB 实验名称: Matlab数值运算目录一 . 实验目的2二 . 实验内容2三 . 实验 ...
- python scipy库总结
本节导图:https://www.processon.com/view/link/5fd9f5dc5653bb06f344d655 大纲 文章目录 大纲 1. 数值计算库SciPy 2. 拟合与优化 ...
- python解非线性规划问题讲析_python中线性规划中的单纯形法、scipy库与非线性规划求解问题...
单纯形法.scipy库与非线性规划求解问题 单纯形法的基本定义 大M法求解线性规划的原理 excel求解 Python调用optimize包和scipy求解线性规划 Python编程实现单纯形法 对比 ...
- 数据分析与AI(七)傅里叶对登月图片降噪/scipy库对图片进行处理/
登月图片消噪 scipy.fftpack模块用来计算快速傅里叶变换 速度比传统傅里叶变换更快,是对之前算法的改进 黑白图片是二维数据,注意使用fftpack的二维转变方法 import numpy a ...
- Python中的数值运算与逻辑运算
Python能够实现数值运算和逻辑运算. 1.数值运算 打开Python命令行,输入以下命令: >>>1 + 2 >>>3 >>>3.5 - 4. ...
最新文章
- CPU 内部结构解析
- 课程 | 中科院教授带你快速入门机器学习
- python实现gauss-seidel迭代公式_python实现高斯(Gauss)迭代法的例子
- 批阅论文和作业Python程序助手
- 【转】centos 6.2 安装mysql-5.5.17
- Microsfot.Web.UI.WebControls.TreeView JavaScript控制方法研究(转)
- Hibernate 实体映射类的状态值自动转换
- php 匹配标记,php – 正则表达式匹配没有标记的链接
- html 正则表达式 中文,正则表达式的中文搜索
- 前端开发工程师养成记
- 功率谱和频谱的区别、联系
- C# 线程问题之死锁
- 图文|Android 使用Thread 和多线程使用互斥锁
- [洛谷2397]yyy loves Maths VI
- C#部分---arraylist集合、arraylist集合中的object数据转换成int类string类等;间隔时间的表示方法;...
- paip.jquery ajax 请求JSON数据填充SELECT全过程纪录
- 车牌号识别 OpenCV
- 编程猫编程平台的使用介绍
- [翻译]X窗口管理器的原理剖析(一)
- H81主板 安装XP 网卡驱动
热门文章
- c语言api文档_初学 C 语言没有项目练手?这 20 个小项目拿走不谢
- java object 源码_java中Object类 源代码详解
- 7添加静态路由 hat red_不同VPC路由器通过静态路由、动态路由(OSPF)实现网络互通实战...
- uniapp手写_【转】uni-app框架纯手写微信小程序开发左侧滑动菜单
- ubuntu 18.04安装与配置 Redis
- python统计缺失值
- php 购物车案例教程,php初步实现购物车功能的实例分析
- 用虚拟机配置Linux实验环境
- CSS——可视化格式模型
- BZOJ2654/COGS1764 [2012国家集训队]tree(陈立杰) [生成树,二分]