python拟合非线性数据

读取数据

import pandas as pd
import matplotlib.pyplot as plt
data = pd.read_csv('D:/Word/python/shuangyueshiyan/res.csv')
b = 0
i = 19
x = data["x"].iloc[b:i]
y = data["y"].iloc[b:i]
plt.scatter(x,y)
plt.show()

由上图可得，数据呈对数曲线分布。
最小二乘法拟合：最小二乘法是一种常用的数据拟合方法。可以使用多项式回归来拟合幂函数和平方根关系，以及三角函数回归来拟合。通过适当选择多项式的阶数或三角函数的类型和参数，可以尝试拟合数据并找到与之最佳拟合的函数。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

data = pd.read_csv('D:/Word/python/shuangyueshiyan/res.csv')
b = 0
i = 19
x = data["x"].iloc[b:i]
y = data["y"].iloc[b:i]
plt.scatter(x,y)
# 定义拟合函数
def fit_func(x, a, b,c,d):
    return a * np.log(b * x+c) + d

# 使用Levenberg-Marquardt算法拟合
popt, _ = curve_fit(fit_func, x, y)

# 绘制原始数据和拟合曲线
plt.scatter(x, y, label='Original Data')
plt.plot(x, fit_func(x, *popt), label='Nonlinear Fit')

plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.show()

# 提取拟合参数
a, b, c, d = popt
# 打印拟合参数
print("a =", a)
print("b =", b)
print("c =", c)
print("d =", d)

拟合结果如图所示

数据呈幂函数分布

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
import math
data = pd.read_csv('D:/Word/python/shuangyueshiyan/res.csv')
b = 41
i = 59
x = data["x"].iloc[b:i]
y = data["y"].iloc[b:i]
plt.scatter(x,y)
# 定义拟合函数
def fit_func(x, a, b,c):
    return a * np.power(x+b,c) # 使用幂函数拟合

# 使用Levenberg-Marquardt算法拟合
popt, _ = curve_fit(fit_func, x, y)

# 绘制原始数据和拟合曲线
plt.scatter(x, y, label='Original Data')
plt.plot(x, fit_func(x, *popt), label='Nonlinear Fit')

plt.xlabel('x')
plt.ylabel('y')
plt.legend()
plt.show()
# 提取拟合参数
a, b, c= popt

# 打印拟合参数
print("a =", a)
print("b =", b)
print("c =", c)

拟合结果

将上面函数整合如下：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

data = pd.read_csv('D:/JupyterNotebook/寒假/数据拟合/data/pha.csv')

def get_data(b, i):
    x = data["x"].iloc[b:i]
    y = data["y"].iloc[b:i]
    return x, y

def plot_data(b, i):
    x, y = get_data(b, i)
    # 绘制原始数据的散点图
    plt.scatter(x, y, label='Original Data')
    plt.xlabel('x')
    plt.ylabel('y')
    plt.legend()
    plt.show()

def fit_func(x, a, b, c, d):
    return a * np.log(b * x + c) + d

def fit_data(b, i):
    x, y = get_data(b, i)
    # 使用Levenberg-Marquardt算法拟合
    popt, _ = curve_fit(fit_func, x, y)

    # 绘制原始数据和拟合曲线
    plt.scatter(x, y, label='Original Data')
    plt.plot(x, fit_func(x, *popt), label='Nonlinear Fit')

    # 计算预测误差
    y_pred = fit_func(x, *popt)
    residuals = y - y_pred
    mae = np.mean(np.abs(residuals))
    
    print("Mean Absolute Error (MAE):", mae)
    
    plt.xlabel('x')
    plt.ylabel('y')
    plt.legend()
    plt.show()

    # 提取拟合参数
    a, b, c, d = popt
    # 打印拟合参数
    print("a =", a)
    print("b =", b)
    print("c =", c)
    print("d =", d)

# 绘制原始数据的散点图
plot_data(7, 18)

# 拟合数据并绘制拟合曲线
fit_data(7, 18)

凹函数拟合

def fit_func(x, a, b,c):
    return a * x**2 + b * x + c

没有x的一次方，数据可能会拟合拟合失败