赞
踩
Scipy 提供了强大的插值和拟合工具,用于处理数据之间的关系。本篇博客将深入介绍 Scipy 中的高级插值和拟合方法,并通过实例演示如何应用这些工具。
在插值中,我们通常会使用 interp1d 函数,但 Scipy 还提供了一些高级插值方法,如 B 样条插值和样条插值。
import numpy as np import matplotlib.pyplot as plt from scipy.interpolate import BSpline # 生成一组带噪声的数据 x = np.linspace(0, 10, 10) y = np.sin(x) + np.random.normal(0, 0.1, 10) # 使用 B 样条插值 spl = BSpline(x, y, 3) # 3阶 B 样条插值 # 绘制原始数据和插值结果 x_new = np.linspace(0, 10, 100) y_new = spl(x_new) plt.scatter(x, y, label='原始数据') plt.plot(x_new, y_new, label='B 样条插值', color='red') plt.xlabel('X') plt.ylabel('Y') plt.legend() plt.title('B 样条插值') plt.show()
from scipy.interpolate import CubicSpline
# 使用样条插值
cs = CubicSpline(x, y)
# 绘制原始数据和插值结果
y_cs = cs(x_new)
plt.scatter(x, y, label='原始数据')
plt.plot(x_new, y_cs, label='样条插值', color='green')
plt.xlabel('X')
plt.ylabel('Y')
plt.legend()
plt.title('样条插值')
plt.show()
from scipy.optimize import curve_fit # 定义拟合函数 def func(x, a, b, c): return a * np.exp(-b * x) + c # 生成一组带噪声的数据 x = np.linspace(0, 4, 50) y = func(x, 2.5, 1.3, 0.5) + 0.2 * np.random.normal(size=len(x)) # 使用非线性最小二乘拟合 popt, pcov = curve_fit(func, x, y) # 绘制原始数据和拟合结果 y_fit = func(x, *popt) plt.scatter(x, y, label='原始数据') plt.plot(x, y_fit, label='拟合结果', color='orange') plt.xlabel('X') plt.ylabel('Y') plt.legend() plt.title('非线性最小二乘拟合') plt.show()
# 生成一组带噪声的数据 x = np.linspace(0, 4, 50) y = 0.5 * x**3 - 2 * x**2 + 1.5 * x + 5 + 10 * np.random.normal(size=len(x)) # 使用高阶多项式拟合 coefficients = np.polyfit(x, y, deg=10) # 构造多项式函数 poly_fit = np.poly1d(coefficients) # 绘制原始数据和拟合结果 y_poly_fit = poly_fit(x) plt.scatter(x, y, label='原始数据') plt.plot(x, y_poly_fit, label='多项式拟合', color='purple') plt.xlabel('X') plt.ylabel('Y') plt.legend() plt.title('高阶多项式拟合') plt.show()
通过本篇博客的介绍,你可以更好地理解和使用 Scipy 中的高级插值和拟合工具。这些工具在处理实际数据中的噪声、不规则性和复杂关系时非常有用。在实际应用中,根据数据特点选择合适的插值或拟合方法将有助于提高模型的准确性和可靠性。希望这篇博客对你有所帮助!
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。