首先引入三件套和scipy
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit拿到实验数据,通过pandas读取为DataFrame
data = pd.read_csv("W-900K.csv")
data.head().dataframe tbody tr th:only-of-type {
vertical-align: middle;
}
.dataframe tbody tr th {
vertical-align: top;
}
.dataframe thead th {
text-align: right;
}
| ind | val | |
|---|---|---|
| 0 | 0.0 | 899.56250 |
| 1 | 0.1 | 932.16851 |
| 2 | 0.2 | 977.79814 |
| 3 | 0.3 | 1029.72737 |
| 4 | 0.4 | 1131.46345 |
将数据绘制出来,以方便确认使用哪种方程进行拟合
plot1=plt.plot(data['ind'], data['val'], '*',label='original values')
plt.xlabel('x')
plt.ylabel('y')
plt.legend(loc=4)
plt.title('ORIGIN VALUES')
plt.show()
从上图曲线可以推断出,我们的数据应该符合指数分布,所以下面定义一个指数函数,将参数使用a,b,c预留出来.
def func(x,a,b,c):
return a*np.exp(b*x) + c进行拟合,得出上一步定义的参数, popt中得出的三个值分别代表上述函数中的三个参数 a,b,c
popt, pcov = curve_fit(func, data['ind'], data['val'])
print(popt)[-443.68006622 -2.49480416 1293.98737632]至此我们的求解已经结束,下面用得到的结果绘制出函数曲线以验证结果的正确性
# 原始数据
plt.plot(data['ind'], data['val'], '*',label='original values')
# 拟合出的数据
plt.plot(data['ind'], func(data['ind'],popt[0],popt[1],popt[2]), 'r',label='curve fit values')
plt.xlabel('x')
plt.ylabel('y')
plt.legend(loc=4)
plt.title('COMPARISON')
plt.show()
原文地址：https://www.cnblogs.com/aloe-n/p/11438550.html
时间： 2024-08-28 20:41:18