專案中有涉及趨勢**的工作，整理一下這3種擬合方法：
1、線性擬合-使用math
import math
def linefit(x , y):
n = float(len(x))
sx,sy,sxx,syy,sxy=0,0,0,0,0
for i in range(0,int(n)):
sx += x[i]
sy += y[i]
sxx += x[i]*x[i]
syy += y[i]*y[i]
sxy += x[i]*y[i]
a = (sy*sx/n -sxy)/( sx*sx/n -sxx)
b = (sy - a*sx)/n
r = abs(sy*sx/n-sxy)/math.sqrt((sxx-sx*sx/n)*(syy-sy*sy/n))
return a,b,r
if __name__ == '__main__':
x=[ 1 ,2 ,3 ,4 ,5 ,6]
y=[ 2.5 ,3.51 ,4.45 ,5.52 ,6.47 ,7.51]
a,b,r=linefit(x,y)
print("x=",x)
print("y=",y)
print("擬合結果: y = %10.5f x + %10.5f , r=%10.5f" % (a,b,r) )
#結果為：y = 0.97222 x + 1.59056 , r= 0.98591
1、線性擬合-使用numpy
import numpy as np
x=[ 1 ,2 ,3 ,4 ,5 ,6]
y=[ 2.5 ,3.51 ,4.45 ,5.52 ,6.47 ,7.51]
z1 = np.polyfit(x, y, 1) #一次多項式擬合，相當於線性擬合
p1 = np.poly1d(z1)
print z1 #[ 1. 1.49333333]
print p1 # 1 x + 1.493
2、二次多項式擬合
import numpy
def polyfit(x, y, degree):
results = {}
coeffs = numpy.polyfit(x, y, degree)
results['polynomial'] = coeffs.tolist()
# r-squared
p = numpy.poly1d(coeffs)
# fit values, and mean
yhat = p(x) # or [p(z) for z in x]
ybar = numpy.sum(y)/len(y) # or sum(y)/len(y)
ssreg = numpy.sum((yhat-ybar)**2) # or sum([ (yihat - ybar)**2 for yihat in yhat])
sstot = numpy.sum((y - ybar)**2) # or sum([ (yi - ybar)**2 for yi in y])
results['determination'] = ssreg / sstot #準確率
return results
x=[ 1 ,2 ,3 ,4 ,5 ,6]
y=[ 2.5 ,3.51 ,4.45 ,5.52 ,6.47 ,7.2]
z1 = polyfit(x, y, 2)
print z1
3、對數函式擬合-這個是最難的，baidu上都找不到，google了半天才找到的。指數、冪數擬合啥的，都用這個，把func改寫一下就行
from scipy import log as log print pcov
import numpy
from scipy import log
from scipy.optimize import curve_fit
def func(x, a, b):
y = a * log(x) + b
return y
def polyfit(x, y, degree):
results = {}
#coeffs = numpy.polyfit(x, y, degree)
popt, pcov = curve_fit(func, x, y)
results['polynomial'] = popt
# r-squared
yhat = func(x ,popt[0] ,popt[1] ) # or [p(z) for z in x]
ybar = numpy.sum(y)/len(y) # or sum(y)/len(y)
ssreg = numpy.sum((yhat-ybar)**2) # or sum([ (yihat - ybar)**2 for yihat in yhat])
sstot = numpy.sum((y - ybar)**2) # or sum([ (yi - ybar)**2 for yi in y])
results['determination'] = ssreg / sstot
return results
x=[ 1 ,2 ,3 ,4 ,5 ,6]
y=[ 2.5 ,3.51 ,4.45 ,5.52 ,6.47 ,7.51]
z1 = polyfit(x, y, 2)
print z1
python資料擬合怎麼做的 將資料擬合到分布？
這是個複雜的問題，沒有完美的答案，對於給定的資料，有兩種設定概率分布函式引數的方法 在我的經驗中，最近幾年最大似然是首選的，儘管這可能不是每個領域的情況。這是如何估算r中引數的具體示例。考慮從高斯分布生成的一組隨機點，它均值為0，標準差為1 x rnorm n 100,mean 0,sd 1 在r中...
python 線性擬合
1 線性擬合 使用math import math deflinefit x,y n float len x sx,sy,sxx,syy,sxy 0,0,0,0,0for i in range 0 int n sx x i sy y i sxx x i x i syy y i y i sxy x i...
Python 高斯擬合
通常我們進行高斯擬合的辦法是匯入scipy的curve fit 包，不過這需要自己手寫乙個高斯分布的函式表示式，不是很方便，astropy提供了乙個寫好的高斯擬合包 調包from astropy.modeling import models,fitting import numpy as np im...