python画e指数函数_python实现画出e指数函数的图像

本文通过Python实现了利用泰勒展开式逼近并绘制e指数函数的图像,详细展示了代码实现过程,包括负数处理和误差计算,最后展示图形。
摘要由CSDN通过智能技术生成

这里用Python逼近函数y = exp(x);同样使用泰勒函数去逼近:

exp(x) = 1 + x + (x)^2/(2!) + .. + (x)^n/(n!) + ...

#!/usr/bin/python

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

import numpy as np

import math

import matplotlib as mpl

import matplotlib.pyplot as plt

def calc_e_small(x):

n = 10

f = np.arange(1, n+1).cumprod()

b = np.array([x]*n).cumprod()

return np.sum(b / f) + 1

def calc_e(x):

reverse = False

if x < 0: # 处理负数

x = -x

reverse = True

ln2 = 0.69314718055994530941723212145818

c = x / ln2

a = int(c+0.5)

b = x - a*ln2

y = (2 ** a) * calc_e_small(b)

if reverse:

return 1/y

return y

if __name__ == "__main__":

t1 = np.linspace(-2, 0, 10, endpoint=False)

t2 = np.linspace(0, 3, 20)

t = np.concatenate((t1, t2))

print(t) # 横轴数据

y = np.empty_like(t)

for i, x in enumerate(t):

y[i] = calc_e(x)

print('e^', x, ' = ', y[i], '(近似值)\t', math.exp(x), '(真实值)')

# print '误差:', y[i] - math.exp(x)

plt.figure(facecolor='w')

mpl.rcParams['font.sans-serif'] = [u'SimHei']

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

plt.plot(t, y, 'r-', t, y, 'go', linewidth=2)

plt.title(u'Taylor展式的应用 - 指数函数', fontsize=18)

plt.xlabel('X', fontsize=15)

plt.ylabel('exp(X)', fontsize=15)

plt.grid(True)

plt.show()

b8738ae75572aa0664bb5c64fb7e9243.png

以上这篇python实现画出e指数函数的图像就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持我们。

要在Python指数函数图像,可以使用Matplotlib库。以下是一个简单的例子: ```python import numpy as np import matplotlib.pyplot as plt # 定义指数函数 def exp_func(x, a, b): return a * np.exp(b * x) # 生成一些随机数据 x_data = np.linspace(0, 5, 50) y_data = 2.5 * np.exp(0.8 * x_data) + np.random.normal(size=50) # 使用curve_fit函数进行拟合 from scipy.optimize import curve_fit popt, pcov = curve_fit(exp_func, x_data, y_data) # 绘制数据和拟合曲线 plt.scatter(x_data, y_data) plt.plot(x_data, exp_func(x_data, *popt), 'r-') plt.show() ``` 在上面的代码中,我们首先定义了一个指数函数`exp_func`,然后生成一些随机数据。使用`curve_fit`函数进行拟合,得到拟合参数`popt`。最后,使用Matplotlib库绘制数据和拟合曲线。 如果你想要更深入地了解如何使用Python进行回归分析,可以使用Scikit-learn库。这个库包含了许多常见的回归算法,包括线性回归、岭回归、Lasso回归、弹性网络回归等。以下是一个使用岭回归进行指数拟合的例子: ```python import numpy as np from sklearn.linear_model import Ridge import matplotlib.pyplot as plt # 生成一些随机数据 x_data = np.linspace(0, 5, 50) y_data = 2.5 * np.exp(0.8 * x_data) + np.random.normal(size=50) # 将数据转化为矩阵形式 X = x_data.reshape(-1, 1) y = y_data.reshape(-1, 1) # 使用岭回归进行拟合 ridge = Ridge(alpha=1.0) ridge.fit(X, y) # 绘制数据和拟合曲线 plt.scatter(x_data, y_data) plt.plot(x_data, ridge.predict(X), 'r-') plt.show() ``` 在上面的代码中,我们首先生成一些随机数据。将数据转化为矩阵形式,然后使用岭回归进行拟合。最后,使用Matplotlib库绘制数据和拟合曲线。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值