首先引入三件套和scipy
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit
拿到實驗數據,通過pandas讀取為DataFrame
data = pd.read_csv("W-900K.csv")
data.head()
|
ind |
val |
| 0 |
0.0 |
899.56250 |
| 1 |
0.1 |
932.16851 |
| 2 |
0.2 |
977.79814 |
| 3 |
0.3 |
1029.72737 |
| 4 |
0.4 |
1131.46345 |
將數據繪制出來,以方便確認使用哪種方程進行擬合
plot1=plt.plot(data['ind'], data['val'], '*',label='original values')
plt.xlabel('x')
plt.ylabel('y')
plt.legend(loc=4)
plt.title('ORIGIN VALUES')
plt.show()
從上圖曲線可以推斷出,我們的數據應該符合指數分布,所以下面定義一個指數函數,將參數使用a,b,c預留出來.
def func(x,a,b,c):
return a*np.exp(b*x) + c
進行擬合,得出上一步定義的參數, popt中得出的三個值分別代表上述函數中的三個參數 a,b,c
popt, pcov = curve_fit(func, data['ind'], data['val'])
print(popt)
[-443.68006622 -2.49480416 1293.98737632]
至此我們的求解已經結束,下面用得到的結果繪制出函數曲線以驗證結果的正確性
# 原始數據
plt.plot(data['ind'], data['val'], '*',label='original values')
# 擬合出的數據
plt.plot(data['ind'], func(data['ind'],popt[0],popt[1],popt[2]), 'r',label='curve fit values')
plt.xlabel('x')
plt.ylabel('y')
plt.legend(loc=4)
plt.title('COMPARISON')
plt.show()
