python擬合

A. python中用polyfit擬合出的函數怎麼能直接調用

首先分兩種情況：
1.交互窗口處執行：這個時候由於python的強制縮進，因此想要結束函數的定義只需要按兩下enter即可。
2.在.py文件中編寫，結束函數只需要不再縮進即可
調用函數方法相同，把函數名及參數寫上就可以了，如果有返回值可以
r=functionA(var1)

附：測試代碼（python3運行通過）
# -*- coding:utf-8 -*-
#author:zfxcx
def pt():
print("hello")
pt()

B. 用python實現多項式擬合怎麼加入正則化

應該是不可以的

import numpy as np
from scipy.optimize import leastsq
import pylab as pl

x = np.arange(1, 17, 1)
y = np.array([4.00, 6.40, 8.00, 8.80, 9.22, 9.50, 9.70, 9.86, 10.00, 10.20, 10.32, 10.42, 10.50, 10.55, 10.58, 10.60])

#第一個擬合，自由度為3
z1 = np.polyfit(x, y, 3)
# 生成多項式對象
p1 = np.poly1d(z1)
print(z1)
print(p1)

# 第二個擬合，自由度為6
z2 = np.polyfit(x, y, 6)
# 生成多項式對象
p2 = np.poly1d(z2)print(z2)print(p2) # 繪制曲線 # 原曲線pl.plot(x, y, 'b^-', label='Origin Line')pl.plot(x, p1(x), 'gv--', label='Poly Fitting Line(deg=3)')pl.plot(x, p2(x), 'r*', label='Poly Fitting Line(deg=6)')pl.axis([0, 18, 0, 18])pl.legend()# Save figurepl.savefig('scipy02.png', dpi=96)

C. 怎麼用Python將圖像邊界用最小二乘法擬合成曲線

本文實例講述了Python基於最小二乘法實現曲線擬合。分享給大家供大家參考，具體如下：

這里不手動實現最小二乘，調用scipy庫中實現好的相關優化函數。

考慮如下的含有4個參數的函數式：

希望本文所述對大家Python程序設計有所幫助。

D. Python怎麼實現非線性的擬合

import matplotlib.pyplot as ptimport numpy as npfrom scipy.optimize import leastsqfrom pylab import *time = []counts = []for i in open('/some/folder/to/file.txt', 'r'):
segs = i.split()
time.append(float(segs[0]))
counts.append(segs[1])time_array = arange(len(time), dtype=float)counts_array = arange(len(counts))time_array[0:] = time
counts_array[0:] = counts

def model(time_array0, coeffs0):
a = coeffs0[0] + coeffs0[1] * np.exp( - ((time_array0-coeffs0[2])/coeffs0[3])**2 )
b = coeffs0[4] + coeffs0[5] * np.exp( - ((time_array0-coeffs0[6])/coeffs0[7])**2 )
c = a+b return c

E. Python 怎麼用曲線擬合數據

Python中利用guiqwt進行曲線數據擬合。

示常式序：

F. python怎樣做高斯擬合

需要載入numpy和scipy庫，若需要做可視化還需要matplotlib（附加dateutil,pytz,pyparsing,cycler,setuptools庫）。不畫圖就只要前兩個。

如果沒有這些庫的話去 http://www.lfd.uci.e/~gohlke/pythonlibs/ 下載對應版本，之後解壓到 C:Python27Libsite-packages。

importnumpyasnp
importpylabasplt
#importmatplotlib.pyplotasplt
fromscipy.optimizeimportcurve_fit
fromscipyimportasarrayasar,exp

x=ar(range(10))
y=ar([0,1,2,3,4,5,4,3,2,1])


defgaussian(x,*param):
returnparam[0]*np.exp(-np.power(x-param[2],2.)/(2*np.power(param[4],2.)))+param[1]*np.exp(-np.power(x-param[3],2.)/(2*np.power(param[5],2.)))


popt,pcov=curve_fit(gaussian,x,y,p0=[3,4,3,6,1,1])
printpopt
printpcov

plt.plot(x,y,'b+:',label='data')
plt.plot(x,gaussian(x,*popt),'ro:',label='fit')
plt.legend()
plt.show()

G. python有沒有哪個庫能實現三維曲面的擬合該如何實現

matlab的話
方法一
用[xx,yy] = meshgrid(x_min:step:x_max,y_min:step:y_max)生成x和y的坐標
用zz = griddata(x,y,z,xx,yy,'v4')插值生成相應的z坐標
方法二
用tri = delaunay(x,y)讓點自行連接成一個個三角形
trisurf(tri,x,y,z)生成曲面
再用shading interp 插值擬合
如果你的曲面在xy平面的投影不是矩形的話，記得用inpolygon吧不在區域內的點刪除掉

H. 如何用python擬合對數函數

scipy的optimize工具箱中有擬合函數可以使用 或者用sm的OSL進行擬合 具體搜一下教程

I. 擬合直方圖與Python問題，怎麼解決

用代碼解決：
import numpy as np
import matplotlib.pyplot as plt
from scipy.interpolate import interp1d
import scipy.stats as st

sim = st.gamma(1,loc=0,scale=0.8) # Simulated
obs = st.gamma(2,loc=0,scale=0.7) # Observed
x = np.linspace(0,4,1000)
simpdf = sim.pdf(x)
obspdf = obs.pdf(x)
plt.plot(x,simpdf,label='Simulated')
plt.plot(x,obspdf,'r--',label='Observed')
plt.title('PDF of Observed and Simulated Precipitation')
plt.legend(loc='best')
plt.show()

plt.figure(1)
simcdf = sim.cdf(x)
obscdf = obs.cdf(x)
plt.plot(x,simcdf,label='Simulated')
plt.plot(x,obscdf,'r--',label='Observed')
plt.title('CDF of Observed and Simulated Precipitation')
plt.legend(loc='best')
plt.show()

# Inverse CDF
invcdf = interp1d(obscdf,x)
transfer_func = invcdf(simcdf)

plt.figure(2)
plt.plot(transfer_func,x,'g-')
plt.show()

J. python怎麼用線性回歸擬合

from sklearn import linear_model#線性回歸clf = linear_model.LinearRegression()#訓練clf.fit ([[0, 0], [1, 1], [2, 2]], [0, 1, 2])#表達式參數clf.coef_#測試improt numpy as npx = np.array([1,1])y = x.dot(clf.coef_)