在python中,我有一个函数,它有很多参数。我想将这个函数拟合到一个数据集,但只使用一个参数,其余的参数我想自己提供。这里有一个例子:
def func(x,a,b):
return a*x*x + b
for b in xrange(10):
popt,pcov = curve_fit(func,x1,x2)
在本文中,我希望仅对a
进行拟合,并且参数b
取循环变量的值。如何做到这一点?
您可以将func
封装在lambda中,如下所示:
def func(x, a, b):
return a*x*x + b
for b in xrange(10):
popt, pcov = curve_fit(lambda x, a: func(x, a, b), x1, x2)
lambda是一个匿名函数,在Python中只能用于简单的单行函数。基本上,当不需要为函数指定名称时,它通常用于减少代码量。官方文件中给出了更详细的描述:http://docs.python.org/tutorial/controlflow.html#lambda-形成
在这种情况下,lambda用于修复func
的一个参数。新创建的函数只接受两个参数:x
和a
,而b
固定为取自本地b
变量的值。然后将这个新函数作为参数传递到curve_fit
中。
更好的方法是使用lmfit
,它为曲线拟合提供了更高级别的接口。在其他特征中,Lmfit使拟合参数成为一级对象,可以具有边界或显式固定(在其他特征)。
使用lmfit,这个问题可以通过以下方式解决:
from lmfit import Model
def func(x,a,b):
return a*x*x + b
# create model
fmodel = Model(func)
# create parameters -- these are named from the function arguments --
# giving initial values
params = fmodel.make_params(a=1, b=0)
# fix b:
params['b'].vary = False
# fit parameters to data with various *static* values of b:
for b in range(10):
params['b'].value = b
result = fmodel.fit(ydata, params, x=x)
print(": b=%f, a=%f+/-%f, chi-square=%f" % (b, result.params['a'].value,
result.params['a'].stderr,
result.chisqr))
我建议指定scikit curve_filt参数bounds
,而不是使用可能不太直观的lambda函数,它将强制在自定义边界内搜索参数。
您所要做的就是让您的变量a在-inf和+inf之间移动,并让变量b在(bepsilon)和(b+epsilon)之间移动
在您的示例中:
epsilon = 0.00001
def func(x,a,b):
return a*x*x + b
for b in xrange(10):
popt,pcov = curve_fit(func,x1,x2, bounds=((-np.inf,b-epsilon), (np.inf,b+epsilon))
我有效地使用了Anton Beloglazov的解决方案,尽管我喜欢避免使用lambda函数来提高可读性,所以我做了以下操作:
def func(x,a,b):
return a*x*x + b
def helper(x,a):
return func(x,a,b)
for b in xrange(10):
popt,pcov = curve_fit(helper, x1, x2)
这最终让人想起Rick Berg的回答,但我喜欢有一个专门用于";物理学";和一个帮助函数来让代码工作。
另一种方法是使用相同的上界和下界(+eps)作为初始值。使用与初始条件和边界相同的示例:
def func(x,a,b):
return a*x*x + b
# free for a and b
popt,pcov = curve_fit(func, x1, x2,
p0=[1,1],
bounds=[(-inf,-inf),(inf,inf)])
# free for a; fixed for b ;
eps=1/100
popt,pcov = curve_fit(func, x1, x2,
p0=[1,1],
bounds=[(-inf,(1-eps)),(inf,(1+eps))])
请记住插入一个epsilon,否则,a和b必须是相同的
如果您愿意/能够编辑原始函数,则有一个更简单的选项。
将您的功能重新定义为:
def func(x,a):
return a*x*x + b
然后,您可以简单地将其放入参数b:的循环中
for b in xrange(10):
popt,pcov = curve_fit(func, x1, x2)
注意:函数需要在调用它的同一脚本中定义才能工作。
Scipy的curve_filt采用三个位置参数func、xdata和ydata。因此,另一种方法(使用函数包装器)是通过构建一个矩阵来将"b"视为xdata(即自变量),该矩阵包含原始xdata(x1)和固定参数b的第二列。
假设x1和x2是数组:
def func(xdata,a):
x, b = xdata[:,0], xdata[:,1] # Extract your x and b
return a*x*x + b
for b in xrange(10):
xdata = np.zeros((len(x1),2)) # initialize a matrix
xdata[:,0] = x1 # your original x-data
xdata[:,1] = b # your fixed parameter
popt,pcov = curve_fit(func,xdata,x2) # x2 is your y-data