numpy polyfit 产生废话

Question

我正在尝试适应这些值：

这是我的代码：

  for i in range(-area,area):
    stDev1= []
    for j in range(-area,area):
        stDev0 = stDev[i+i0][j+j0]
        stDev1.append(stDev0)
    slices[i] = stDev1
fitV = []
xV = []

for l in range(-area,area):
    y = np.asarray(slices[l])
    x =  np.arange(0,2*area,1)

for m in range(-area,area):
        fitV.append(slices[m][l])
        xV.append(l)


fit = np.polyfit(xV,fitV,4)
yfit = function(fit,area)

x100 = np.arange(0,100,1)

plt.plot(xV,fitV,'.')
plt.savefig("fits1.png")

def function(fit,area):
   yfit = []
   for x in range(-area,area):
       yfit.append(fit[0]+fit[1]*x+fit[2]*x**2+fit[3]*x**3+fit[4]*x**4)
   return(yfit)

i0 = 400
j0 = 400
area = 50 
stdev = 2d np.array([1300][800]) #just an image of "noise" feel free to add any image // 2d np array you like. 

这会产生：

显然这是完全错误的？ 我想我想念理解 polyfit 的概念？从文档中，要求是我用两个形状为 x[i] y[i] 的数组来喂它？我的价值观在

  xV = [ x_1_-50,x_1_-49,...,x_1_49,x_2_-50,...,x_49_49] 

我是：

  fitV = [y_1_-50,y_1_-49,...,y_1_49,...y_2_-50,...,y_2_49]

Answer 1

我不完全理解你的程序。将来，如果您将问题提炼到MCVE，将会很有帮助。但这里有一些想法：

1. 在您的数据中，对于给定的 x 值，似乎有多个 y 值。给定 (x,y) 数据，polyfit 返回一个表示多项式函数的元组，但没有函数可以映射单个值x 到 y 的多个值上。作为第一步，考虑使用例如均值、中值或众数将每组 y 值折叠成单个代表值。或者，也许，在您的域中，有一种更自然的方法可以做到这一点。

2. 其次，有一种惯用的方式来使用 np.polyfit 和 np.polyval 这对函数，而您并没有以标准方式使用它们。当然，与这种模式存在许多有用的偏离，但首先要确保您了解这两个函数的基本模式。

   一个。给定您在时间或位置 x_data 进行的测量 y_data，绘制它们并猜测拟合的顺序。也就是说，它看起来像一条线吗？像抛物线？假设您认为您的数据是抛物线的，并且您将使用二阶多项式拟合。

   b.确保您的数组按x 递增的顺序排序。有很多方法可以做到这一点，但np.argsort 是一种简单的方法。

   c。运行polyfit:p = polyfit(x_data,y_data,2)，返回一个元组，包含p、(c2,c1,c0)中的二阶、一阶和零阶系数。

   d。在polyfit 和polyval 的惯用用法中，接下来您将生成适合的：polyval(p,x_data)。或者您可能希望对拟合进行更粗略或更精细的采样，在这种情况下，您可能会采用x_data 的子集或在x_data 中插入更多值。

一个完整的例子如下。

import numpy as np
from matplotlib import pyplot as plt

# these are your measurements, unsorted
x_data = np.array([18, 6, 9, 12 , 3, 0, 15])
y_data = np.array([583.26347805, 63.16059915, 100.94286909, 183.72581827, 62.24497418,
                   134.99558191, 368.78421529])

# first, sort both vectors in increasing-x order:
sorted_indices = np.argsort(x_data)
x_data = x_data[sorted_indices]
y_data = y_data[sorted_indices]

# now, plot and observe the parabolic shape:
plt.plot(x_data,y_data,'ks')
plt.show()

# generate the 2nd order fitting polynomial:
p = np.polyfit(x_data,y_data,2)

# make a more finely sampled x_fit vector with, for example
# 1024 equally spaced points between the first and last
# values of x_data
x_fit = np.linspace(x_data[0],x_data[-1],1024)

# now, compute the fit using your polynomial:
y_fit = np.polyval(p,x_fit)

# and plot them together:
plt.plot(x_data,y_data,'ks')
plt.plot(x_fit,y_fit,'b--')
plt.show()

希望对您有所帮助。