基于Scipy fiting Curve 输出函数

模块一：基于矩阵运算fiting curve 

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Fri Oct 21 14:13:07 2022

@author: xujunkang
"""

# -*- coding: utf-8 -*-
"""
Created on Fri Oct 21 13:50:54 2022

@author: xujunkang
"""

import matplotlib.pyplot as plt
import math
import numpy
import random

class LeastSqauresCF():
    def __init__(self):
        self.order = 1
        self.Xvalues = None
        self.Yvalues = None
        self.fig = plt.figure()
        self.subfig = self.fig.add_subplot(111)
    #========================================
    # Draw the input points/curve in a figure
    #========================================
    def ReadAnddrawInputPoints(self,Inputx=None,InputY=None, order=1):
        try:
            if Inputx is None or InputY is None:
                return False
            if(len(Inputx)!=len(InputY)):
                return False
            if order <=0:
                return False
            
            if type(order) !=int:
                self.order = int(order)
            else:
                self.order = order
            self.Xvalues = Inputx
            self.Yvalues = InputY
            
            self.subfig.plot(Inputx,InputY,color='r',linestyle='',marker='*')
            return True
        except Exception as e:
            print(e)
            return False
    #========================================
    # Calculate curve fitting factor matrix
    #========================================    
    def produceFittingCurveFactors(self):
        try:
            #(1) Generate matrix [X]
            matX=[]
            for i in range(0,len(self.Xvalues)):
                matx1=[]
                for j in range(0,self.order+1):
                    dx=1.0
                    for l in range(0,j):
                        dx = dx * self.Xvalues[i]
                    matx1.append(dx)
                matX.append(matx1)        

            #(2) Generate matrix [X]T.[X]
            matX_Trans = numpy.matrix(matX).T
            matX_FinalX = numpy.dot(numpy.matrix(matX_Trans),numpy.matrix(matX))

            #(3) Generate matrix Y' =[X]T.[Y]
            matFinalY = numpy.dot(matX_Trans,numpy.matrix(self.Yvalues).T)

            #(4) Solve the function:[A] = [[X]T.[X]]**(-1).[X]T.[Y]
            matAResult=numpy.linalg.solve(numpy.array(matX_FinalX),numpy.array(matFinalY))
            return matAResult
        except Exception as e:
            print(e)
            return None
    #========================================
    # Output fitting curve function
    #========================================        
    def outputFittingCurveFunction(self, inputMatFactors=None):
        if inputMatFactors is None:
            return False
        
        i = 0
        strFitting= ""
        for a in inputMatFactors:
            #print(a[0])
            if i==0:
                strFitting +=str(a[0])
            else:
                strFitting +=("+"if a[0]>0 else"") +str(a[0])+(("x**"+str(i)) if i>1 else "x")
            i+=1
        return strFitting
        
        print(strFitting)
            
        
    #========================================
    # draw the curve based on the result function
    #========================================
    
    def drawFittedCurve(self, xRangeMin=None,xRangeMax=None,matAResult=None,resolution=0.01):
        try:
            if matAResult is None:
                return False
            if xRangeMin is None or xRangeMax is None:
                xRangeMin = self.Xvalues[0]
                xRangeMax = self.Xvalues[-1]
            
            #print('xRangeMin: ',xRangeMin, 'xRangeMax: ',xRangeMax)
            
            xxa= numpy.arange(xRangeMin,xRangeMax,resolution)
            yya=[]
            for i in range(0,len(xxa)):
                yy=0.0
                for j in range(0,self.order+1):
                    dy=1.0
                    #x[i]**j
                    for k in range(0,j):
                        dy*=xxa[i]
                    #a[j]*(x[i]**j)
                    dy*=matAResult[j]
                    yy+=dy
                yya.append(yy)
            #print(xxa,yya)
            self.subfig.plot(xxa,yya,color='g',linestyle='-',marker='')

            self.subfig.legend()
            plt.show() 
            return True
        except Exception as e:
            print(e)
            return False

if __name__=="__main__":
    LS = LeastSqauresCF()
    #============================
    #(1-1) Generate simulation data set
    #============================
    x = [1,2,3]
    y = [2,3,4]
    
    if LS.ReadAnddrawInputPoints(x,y,1):    #plot the orginal data curve, set order=9
        MatrixFactor = LS.produceFittingCurveFactors()
        a=LS.outputFittingCurveFunction(MatrixFactor)
        print(a)
        LS.drawFittedCurve(matAResult=MatrixFactor)   

模块二：利用正则表达式读取二进制文档作图

# -*- coding: utf-8 -*-
"""
Spyder Editor

This is a temporary script file.
"""
import re
import os
import matplotlib.pyplot as plt
import numpy as np 
import math
from scipy import optimize
from curveFT import LeastSqauresCF as LCF
import random

f=open("/home/xujunkang/python/1.text")
a=f.read()

str= "[-, ][0-9].[0-9]{14}[A-Z][-,+][0-9][0-9]"
data= re.findall(str,a)

L=list(map(float, data))
N=len(L)
N2=N/32
N3=int(N2)
num= 18+(N3*33)-50
print(num)
GateV=[]
for i in range(18,num,33):
    V=L[i]
    
    GateV.append(V)
    
num2= 7+(N3*33)-50
DrainI=[]
for i in range(7,num2,33):
    A=L[i]
    
    DrainI.append(A)

if __name__=="__main__":
    LS = LCF()
    #============================
    #(1-1) Generate simulation data set
    #============================
    x = GateV
    print(x)
    y = DrainI
    print(y)
    y1=np.log10(y)
    print(y1)
    
    if LS.ReadAnddrawInputPoints(x,y,8):    #plot the orginal data curve, set order=9
        MatrixFactor = LS.produceFittingCurveFactors()
        a=LS.outputFittingCurveFunction(MatrixFactor)
        print(a)
        def fun(x):
            result= -1.8379269947267623e-07+ 3.140534266406034e-05*x-0.000959143579403055*x**2+0.010720967466933243*x**3-0.055780642243223655*x**4+0.1481787577677457*x**5-0.20366287528100727*x**6+0.13898369178926293*x**7-0.03740690427393497*x**8
            return result
        result= fun(0.35)
        print(result)
        LS.drawFittedCurve(matAResult=MatrixFactor)