python 的scipy库_Python SciPy库——插值与拟合

插值与拟合

1.最小二乘拟合

实例1

#-*- coding: utf-8 -*-

importnumpy as npimportmatplotlib.pyplot as pltfrom scipy.optimize importleastsq## 设置字符集，防止中文乱码

importmatplotlib

matplotlib.rcParams['font.sans-serif']=[u'simHei']

matplotlib.rcParams['axes.unicode_minus']=False

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

deff(p):

k, b=preturn(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()

k= 0.6134953491930442 b= 1.794092543259387

实例2

#-*- coding: utf-8 -*-

#最小二乘拟合实例

importnumpy as npfrom scipy.optimize importleastsqimportpylab as pl## 设置字符集，防止中文乱码

importmatplotlib

matplotlib.rcParams['font.sans-serif']=[u'simHei']

matplotlib.rcParams['axes.unicode_minus']=Falsedeffunc(x, p):"""数据拟合所用的函数: A*cos(2*pi*k*x + theta)"""A, k, theta=preturn A*np.sin(k*x+theta)defresiduals(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()

真实参数: [10, 3, 6]

拟合参数 [-1.16428658 0.24215786 -0.794681 ]

2.插值

实例1

#-*- coding: utf-8 -*-

#-*- coding: utf-8 -*-

importnumpy as npimportpylab as plfrom scipy importinterpolateimportmatplotlib.pyplot as plt## 设置字符集，防止中文乱码

importmatplotlib

matplotlib.rcParams['font.sans-serif']=[u'simHei']

matplotlib.rcParams['axes.unicode_minus']=False

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2

#-*- coding: utf-8 -*-

importnumpy as npfrom scipy importinterpolateimportpylab as pl## 设置字符集，防止中文乱码

importmatplotlib

matplotlib.rcParams['font.sans-serif']=[u'simHei']

matplotlib.rcParams['axes.unicode_minus']=False#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

importnumpy as npfrom scipy importinterpolateimportpylab 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