这是一个如何使用scipy.optimize.leastsq的裸机示例:
import numpy as np
import scipy.optimize as optimize
import matplotlib.pylab as plt
def func(kd,p0,l0):
return 0.5*(-1-((p0+l0)/kd) + np.sqrt(4*(l0/kd)+(((l0-p0)/kd)-1)**2))
残差的平方和是我们试图最小化的kd的函数:
def residuals(kd,p0,l0,PLP):
return PLP - func(kd,p0,l0)
这里我生成一些随机数据.你想在这里加载你的真实数据.
N=1000
kd_guess=3.5 #
p0 = np.linspace(0,10,N)
l0 = np.linspace(0,10,N)
PLP = func(kd_guess,p0,l0)+(np.random.random(N)-0.5)*0.1
kd,cov,infodict,mesg,ier = optimize.leastsq(
residuals,kd_guess,args=(p0,l0,PLP),full_output=True,warning=True)
print(kd)
产生类似的东西
3.49914274899
这是optimize.leastsq找到的最适合的kd值.
这里我们使用刚刚找到的kd的值生成PLP的值:
PLP_fit=func(kd,p0,l0)
以下是PLP与p0的关系图.蓝线是从数据,红线是最佳拟合曲线.
plt.plot(p0,PLP,'-b',p0,PLP_fit,'-r')
plt.show()