numpy的polyfit产量废话

Question

我试图将这些值：

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. 

这产生了：

显然这是完全地错了吗？ 我假设我想念理解polyfit的概念？从文档的要求是，我用两个形状数组x [i] y [i]喂它？我在

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

的价值观和我的YS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。在将来，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. 看来，在您的数据，对于的X给定值也有Ÿ多个值。给定（X ，ÿ）数据，polyfit返回表示多项式函数一个元组，但没有功能可以的X单个值映射到的ý多个值。作为第一步，考虑使用例如平均值，中值或模式将每组数值折叠为单个代表值。或者，也许在你的领域，有一种更自然的方式来做到这一点。

2. 其次，有一种惯用的方式使用这对函数np.polyfit和np.polyval，并且你没有以标准方式使用它们。当然，这种模式存在许多有用的偏差，但首先要确保您了解这两种功能的基本模式。

   a。鉴于你的测量y_data，在时间或地点采取x_data，绘制它们并猜测合适的顺序。那是不是看起来像一条线？像抛物线一样？假设您相信您的数据是抛物线的，并且您将使用二阶多项式拟合。

   b。确保你的数组按照递增的顺序排列。有很多方法可以做到这一点，但np.argsort是一个简单的方法。

   c。运行polyfit：p = polyfit(x_data,y_data,2)，它返回一个包含p，(c2,c1,c0)中的第2，第1和第0阶系数的元组。 d）。在polyfit和polyval的惯用使用中，接下来您将生成您的合体：polyval(p,x_data)。或者，您可能希望拟合的样本更加粗糙或精细，在这种情况下，您可能需要x_data的子集或在x_data内插更多值。

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() 

希望有帮助。